CN110334328A - 基于机器学习的物品清单自动生成方法及装置 - Google Patents
基于机器学习的物品清单自动生成方法及装置 Download PDFInfo
- Publication number
- CN110334328A CN110334328A CN201910435029.5A CN201910435029A CN110334328A CN 110334328 A CN110334328 A CN 110334328A CN 201910435029 A CN201910435029 A CN 201910435029A CN 110334328 A CN110334328 A CN 110334328A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- attribute
- articles
- list
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000010801 machine learning Methods 0.000 title claims abstract description 58
- 238000012545 processing Methods 0.000 claims description 30
- 238000012795 verification Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 8
- 238000009472 formulation Methods 0.000 abstract description 3
- 239000000203 mixture Substances 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/177—Editing, e.g. inserting or deleting of tables; using ruled lines
- G06F40/18—Editing, e.g. inserting or deleting of tables; using ruled lines of spreadsheets
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本公开是关于一种基于机器学习的物品清单自动生成自动生成方法及装置，属于机器学习应用技术领域，该方法包括：获取用户的身份信息；获取与所述用户的身份信息关联的用户属性信息；从所述用户属性信息中获取目标属性信息；将所述目标属性信息的作为输入数据输入预先训练好的机器学习模型，得到所述用户的所需物品清单。本公开通过精确获取用户的目标属性信息，然后利用预先训练好的机器学习模型，实现自动、准确、高效以及个性化的制定所需物品清单。
Description
技术领域
本公开涉及机器学习应用技术领域，具体而言，涉及一种基于机器学习的物品清单自动生成方法及装置。
背景技术
物品清单就是例如大学在内的学生在入学时需要携带的物品的清单。其中需要携带的物品包括入学报到的各种资料以及生活必需品等。
目前，学生在入学时，入学所需物品的清单是官方根据最大或者适当的信息容量的制作的清单，通知学生所需携带物品，这些清单的包含的信息对于学生来说，一般不是清单内容过多，就是清单内容缺少信息，导致学生无法分辨出必须携带物品或者少携带必须品；所以不能针对学生个人进行个性化的制作入学所需物品的清单。另一方面，这些清单的制作通常需要工作人员手动整理，会发生遗漏或者冗余的情况，而且耗费工作人员很大的精力。
因此，需要提供一种基于机器学习的物品清单自动生成方法及装置。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种基于机器学习的需物品清单自动生成方案，进而至少在一定程度上在降低工作人员的审核负荷的情况下，自动、准确的个性化生成所需物品清单。
根据本公开的一个方面，提供一种基于机器学习的物品清单自动生成方法，其特征在于，包括：
获取用户的身份信息；
获取与所述用户的身份信息关联的用户属性信息；
从所述用户属性信息中获取所有用户共有的第一目标属性信息，并获取所述用户独有的第二目标属性信息；
根据所述第一目标属性信息及所述第二目标属性信息，生成用户属性数据地图；
将所述用户属性数据地图输入预先训练好的机器学习模型，得到所述用户的所需物品清单。
在本公开的一种示例性实施例中，根据权利要求1所述的方法，其特征在于，所述根据所述第一目标属性信息及所述第二目标属性信息，生成用户属性数据地图，包括：
将所述第一目标属性信息转化为与所述第一目标属性信息对应的第一属性标签及第一属性值；
将所述第二目标属性信息转化为所述第二目标属性信息对应的第二属性标签及第二属性值；
根据所述第一属性标签，将所述第一属性值添加到预设的第一空白地图，得到第一属性数据子地图；
根据所述第二属性标签，将所述第二属性值添加到预设的第二空白地图，得到第二属性数据子地图；
根据所述第一属性数据子地图与所述第二属性数据子地图，生成所述用户属性数据地图。
在本公开的一种示例性实施例中，根据权利要求1所述的方法，其特征在于，所述获取所述用户独有的第二目标属性信息，包括：
获取所述用户属性信息中除去所述共有的目标属性信息之外其它的属性信息；
获取所述其它的属性信息中属性的属性值，所述属性值为正值和负值中一种；
当所述属性值为正值时，将所述属性值对应的属性信息作为所述用户独有的第二目标属性信息。
在本公开的一种示例性实施例中，根据权利要求1所述的方法，其特征在于，所述从所述用户属性信息中获取所有用户共有的第一目标属性信息，并获取所述用户独有的第二目标属性信息，包括：
获取所述用户所来自的地域信息；
根据所述地域信息获取与所述地域信息对应的目标属性信息模板；
利用所述目标属性信息模板，从所述用户属性信息中获取所有用户共有的第一目标属性信息，并获取所述用户独有的第二目标属性信息。
在本公开的一种示例性实施例中，根据权利要求1所述的方法，其特征在于，所述机器学习模型的训练方法，包括：
收集历史上根据用户的目标属性信息获取了用户的所需物品清单的用户属性数据地图样本集；
将所述用户属性数据地图样本的数据输入机器学习模型，输出与所述用户属性数据地图样本对应的所需物品清单；
如果输出的所述所需物品清单与所述样本对应的所需物品清单不一致，则调整机器学习模型的系数，直到一致；
当所有的样本的数据输入机器学习模型后，输出的所述所需物品清单与每个所述样本对应的所需物品清单一致，训练结束。
在本公开的一种示例性实施例中，根据权利要求1所述的方法，其特征在于，在获取与所述用户的身份信息关联的用户属性信息之后，所述方法还可以包括：
获取入学所需物品与用户属性对应关系配置规则列表；
按照所述配置规则列表中的每个配置规则，逐一验证所述用户的用户属性信息，得到验证结果，所述验证结果包括通过和不通过中一种；
当所述验证结果为通过时，将所述通过的验证结果对应的配置规则中的入学所需物品，加入所述用户的所需物品清单。
在本公开的一种示例性实施例中，根据权利要求1所述的方法，其特征在于，在将所述用户属性数据地图输入预先训练好的机器学习模型，得到所述用户的所需物品清单之后，所述方法还包括：
从所述用户的所需物品清单中，获取需官方处理物品；
根据所述需官方处理物品查找处理所述需官方处理物品的部门信息；
将所述需官方处理物品以及对应的部门信息形成处理部门清单。
根据本公开的一个方面，提供一种基于机器学习的物品清单自动生成装置，其特征在于，包括：
第一获取模块，用于获取用户的身份信息；
第二获取模块，用于获取与所述用户的身份信息关联的用户属性信息；
第三获取模块，用于从所述用户属性信息中获取所有用户共有的第一目标属性信息，并获取所述用户独有的第二目标属性信息；
地图生成模块，用于根据所述第一目标属性信息及所述第二目标属性信息，生成用户属性数据地图；
清单生成模块，用于将所述用户属性数据地图输入预先训练好的机器学习模型，得到所述用户的所需物品清单。
根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有基于机器学习的物品清单自动生成程序，其特征在于，所述基于机器学习的物品清单自动生成程序被处理器执行时实现上述任一项所述的方法。
根据本公开的一个方面，提供一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的基于机器学习的物品清单自动生成程序；其中，所述处理器配置为经由执行所述基于机器学习的物品清单自动生成程序来执行上述任一项所述的方法。
本公开一种基于机器学习的物品清单自动生成方法及装置，首先，获取用户的身份信息；用户的身份信息唯一指定用户身份，是用户准确区别于其他用户的信息，通过用户身份信息可以在后续步骤准确的获取到用户的其它信息。然后，获取与所述用户的身份信息关联的用户属性信息；用户的属性信息就是刻画用户的性质的信息，包括属性名和属性值，属性信息可以单独或者多方联合指示用户入学需要携带的物品情况。从所述用户属性信息中获取目标属性信息，目标属性信息包括所有用户共有的第一目标属性信息及该用户独有的第二目标属性信息；用户的所有属性信息中包含很多对于本次所需物品清单整理无用的属性信息，通过获取目标属性信息可以有效减少后续步骤的计算负荷，同时可以针对不同的用户实现个性化的属性信息获取，进而实现个性化清单制定。然后，根据第一目标属性信息及第二目标属性信息，生成用户属性数据地图；用户属性数据地图是标注的用户所需物品相关的属性数据的地图，可以以地图的形式准确、显著地表征用户属性数据及数据之间的关系网络。最后，将用户属性数据地图输入预先训练好的机器学习模型，得到所述用户的所需物品清单；这样通过训练好的机器学习模型，根据每个用户的目标属性信息实现自动、准确以及个性化的所需物品清单制定。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示意性示出一种基于机器学习的物品清单自动生成方法的流程图。
图2示意性示出一种基于机器学习的物品清单自动生成方法的应用场景示例图。
图3示意性示出一种从用户属性数据地图生成方法流程图。
图4示意性示出一种基于机器学习的物品清单自动生成装置的方框图。
图5示意性示出一种用于实现上述基于机器学习的物品清单自动生成方法的电子设备示例框图。
图6示意性示出一种用于实现上述基于机器学习的物品清单自动生成方法的计算机可读存储介质。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例的一种应用场景中，在学生入学前，学校的所需物品清单自动生成服务器，根据学生的学号获取存储在其它用于存储学生信息的服务器中的与该学号关联的学生的所有的信息，例如，姓名信息、民族信息、性别信息、政治面貌信息、户口所在地信息以及学生考入大学的专业信息等，然后，从这些信息中获取制定学生所需物品清单需要参照的信息，例如，党员信息，年级信息等等，最后，将这些制定学生所需物品清单需要参照的信息的用户属性数据地图输入预先训练好的机器学习模型，自动准确的得到该学生的所需物品清单。
本示例实施方式中首先提供了基于机器学习的物品清单自动生成方法，该基于机器学习的物品清单自动生成方法可以运行于服务器，也可以运行于服务器集群或云服务器等，当然，本领域技术人员也可以根据需求在其他平台运行本发明的方法，本示例性实施例中对此不做特殊限定。参考图1所示，该基于机器学习的物品清单自动生成方法可以包括以下步骤：
步骤S110.获取用户的身份信息。
步骤S120.获取与所述用户的身份信息关联的用户属性信息。
步骤S130.从所述用户属性信息中获取所有用户共有的第一目标属性信息，并获取所述用户独有的第二目标属性信息。
步骤S140.根据所述第一目标属性信息及所述第二目标属性信息，生成用户属性数据地图；
步骤S150.将所述用户属性数据地图输入预先训练好的机器学习模型，得到所述用户的所需物品清单。
上述基于机器学习的物品清单自动生成方法中，首先，获取用户的身份信息；用户的身份信息唯一指定用户身份，是用户准确区别于其他用户的信息，通过用户身份信息可以在后续步骤准确的获取到用户的其它信息。然后，获取与所述用户的身份信息关联的用户属性信息；用户的属性信息就是刻画用户的性质的信息，包括属性名和属性值，属性信息可以单独或者多方联合指示用户入学需要携带的物品情况。从所述用户属性信息中获取目标属性信息，目标属性信息包括所有用户共有的第一目标属性信息及该用户独有的第二目标属性信息；用户的所有属性信息中包含很多对于本次所需物品清单整理无用的属性信息，通过获取目标属性信息可以有效减少后续步骤的计算负荷，同时可以针对不同的用户实现个性化的属性信息获取，进而实现个性化清单制定。然后，根据第一目标属性信息及第二目标属性信息，生成用户属性数据地图；用户属性数据地图是标注的用户所需物品相关的属性数据的地图，可以以地图的形式准确、显著地表征用户属性数据及数据之间的关系网络。最后，将用户属性数据地图输入预先训练好的机器学习模型，得到所述用户的所需物品清单；这样通过训练好的机器学习模型，根据每个用户的目标属性信息实现自动、准确以及个性化的所需物品清单制定。
下面，将结合附图对本示例实施方式中上述基于机器学习的物品清单自动生成方法中的各步骤进行详细的解释以及说明。
在步骤S110中，获取用户的身份信息。
在本示例实施方式中，参考图2所示，服务器201获取存储在服务器202中用户的身份信息；用户的身份信息存储在服务器中，唯一指定用户身份，是用户准确区别于其他用户的信息，通过用户身份信息可以在后续步骤准确的获取到用户的其它信息。其中，该服务器201和服务器202可以是其它具有存储功能的终端设备，例如可以是手机，或者电脑等，本示例对此不做特殊限制；进一步的，该服务器可以包括一个，也可以包括多个，本示例对此不做特殊限制；进一步的，用户的身份信息可以是用户的学号或者身份证号码等，在本示例中不做特殊限定。
在步骤S120中.获取与所述用户的身份信息关联的用户属性信息。
在本示例实施方式中，用户属性信息就是刻画用户的性质的信息，包括属性名和属性值；例如，姓名信息、民族信息、性别信息、政治面貌信息、户口所在地信息、学生考入大学的专业信息、学费信息、是否转移户口信息等。属性信息可以单独或者多方联合指示用户入学需要携带的物品情况；例如户口所在地信息和是否转移户口信息就可以判断学生需要携带的资料，如果需要转移户口，户口所在地在省外和户口所在地在省内需要携带不同的资料。通过学生唯一的身份信息可以准确、高效地获取该学生的其它信息，这些信息预先通过对每个学生进行采集后保存在服务器中。
在步骤S130中.从所述用户属性信息中获取所有用户共有的第一目标属性信息，并获取所述用户独有的第二目标属性信息。
在本示例实施方式中，共有的第一目标属性信息，例如，报到证和通知书等等；独有的第二目标属性信息，例如，是否党员、是否转移户口等信息；这些独有的目标属性信息根据每个学生的情况具有不同的属性值，例如，有的学生是党员，有的学生不是。最后将所述共有的目标属性信息及所述独有的目标属性信息作为目标属性信息，就可以个性化的针对每个学生获取到相应的属性信息，不存在多余的属性信息也不存在缺少属性信息的情况。
学生用户的属性信息包括很多种，并不是所有的属性信息都能够用来指示用户入学需要携带的物品情况，这些无用的信息会使得后续步骤的计算负荷较大。通过获取目标属性信息，也就是对于本次所需物品清单整理有用的属性信息，通过获取目标属性信息可以有效减少后续步骤的计算负荷，同时可以针对不同的用户实现个性化的属性信息获取，进而实现个性化清单制定。
在本示例的一种实施方式中，所述获取所述用户独有的第二目标属性信息，包括：
获取所述用户属性信息中除去所述共有的目标属性信息之外其它的属性信息；
获取所述其它的属性信息中属性的属性值，所述属性值为正值和负值中一种；
当所述属性值为正值时，将所述属性值对应的属性信息作为所述用户独有的第二目标属性信息。
独有的第二目标属性信息，例如，是否党员、是否转移户口等信息；这些独有的目标属性信息根据每个学生的情况具有不同的属性值，例如，有的学生是党员，有的学生不是。通过将属性值为正的作为用户独有的目标属性信息，例如，某个学生是党员，则将党员属性作为用户独有的目标属性信息，这意外着用户需要携带党员资料。
在本示例的一种实施方式中，所述从所述用户属性信息中获取所有用户共有的第一目标属性信息，并获取所述用户独有的第二目标属性信息，包括：
获取所述用户所来自的地域信息；
根据所述地域信息获取与所述地域信息对应的目标属性信息模板；
利用所述目标属性信息模板，从所述用户属性信息中获取所有用户共有的第一目标属性信息，并获取所述用户独有的第二目标属性信息。
首先获取用户所来自的地域信息，可以个性化判断到学生的饮食和生活环境等，根据这些信息可以个性化的形成建议清单，例如，是否多带衣服等。而且，一般不同地域的学生有不同的入学要求，所以需要携带的物品不同，进而可以根据不同的地域制定对应的目标属性信息模板，可以准确、高效地获得目标属性信息。其中，目标属性信息模板例如是预先根据不同的地域特点设置的目标属性信息爬去算法模板。根据该目标属性信息模板，可以自动、准确从用户属性信息中获取到所有用户共有的第一目标属性信息，并获取用户独有的第二目标属性信息。
在步骤S140中.根据所述第一目标属性信息及所述第二目标属性信息，生成用户属性数据地图。
在本示例实施方式中，用户属性数据地图是标注了用户所需物品相关的属性数据的地图，可以以地图的形式准确、显著地表征用户属性数据及数据之间的关系网络，例如，通过地图的轮廓可以反映数据来源，通过地图上不同的位置可以反映不同属性的信息。通过根据第一目标属性信息及第二目标属性信息，生成用户属性数据地图，由于数据地图可以清晰反映数据之间的关系，可以便于后续步骤中利用机器学习模型进行分析时，快速、准确查找每个数据之间的关系。
其中，一种实施方式中，根据第一目标属性信息及第二目标属性信息，生成用户属性数据地图的方法可以是直接将第一目标属性信息及第二目标属性信息中每个属性的信息对应的数据添加到预设空白地图上相应位置得到该用户属性数据地图。
在本示例的一种实施方式中，参考图3所示，所述根据所述第一目标属性信息及所述第二目标属性信息，生成用户属性数据地图，包括以下步骤：
步骤S310，将所述第一目标属性信息转化为与所述第一目标属性信息对应的第一属性标签及第一属性值；
步骤S320，将所述第二目标属性信息转化为所述第二目标属性信息对应的第二属性标签及第二属性值；
步骤S330，根据所述第一属性标签，将所述第一属性值添加到预设的第一空白地图，得到第一属性数据子地图；
步骤S340，根据所述第二属性标签，将所述第二属性值添加到预设的第二空白地图，得到第二属性数据子地图；
步骤S350，根据所述第一属性数据子地图与所述第二属性数据子地图，生成所述用户属性数据地图。
将第一目标属性信息转化为与第一目标属性信息对应的第一属性标签及第一属性值，就是将第一属性信息中每个属性的信息标定特定标签作为第一属性信息，获取每个属性的信息对应的属性值作为第一属性值。将第二目标属性信息转化为与第二目标属性信息对应的第二属性标签及第二属性值，就是将第二属性信息中每个属性的信息标定特定标签作为第二属性信息，获取每个属性的信息对应的属性值作为第二属性值。
第一空白地图就是预设的对应于所有用户共有属性信息的空白地图模板，通过根据第一属性标签，将第一属性值添加到预设的第一空白地图上对应标签的位置，可以得到用户的第一属性数据子地图，可以准确反映用户共有属性的数据之间的关系。然后，第二空白地图就是预设的对应于用户独有属性信息的空白地图模板，通过根据第二属性标签，将第二属性值添加到预设的第二空白地图上对应标签的位置，可以得到用户的第二属性数据子地图，可以准确反映用户独有属性的数据之间的关系。最后，根据第一属性数据子地图与所述第二属性数据子地图，生成用户属性数据地图，可以将用户独有的属性数据及共有的属性数据结合起来，准确反映用户所有的属性数据之间的关系，有效保证后续步骤中分析的用户所需物品分析的准确性。根据第一属性数据子地图与所述第二属性数据子地图，生成用户属性数据地图的方法，可以是直接将第一属性数据子地图与第二属性数据子地图放置到预设的全属性空白地图中，第一属性数据子地图与第二属性数据子地图至少有一部分叠加在一起。也可以是，将第一属性数据子地图中的所有数据用一种颜色的线连接，然后将第二属性数据子地图中的数据用另一种颜色的线连接，然后将连线后的第一属性数据子地图与第二属性数据子地图直接添加在一起。
在步骤S150中.将所述用户属性数据地图输入预先训练好的机器学习模型，得到所述用户的所需物品清单。
在本示例实施方式中，通过将用户属性数据地图输入机器学习模型，可以通过机器学习模型自动、准确的根据目标属性信息得到用户的所需物品清单。由于目标属性信息可以单独指引需要携带的物品，例如，是党员的话就需要携带党员相关资料；同时目标属性信息可以通过多个属性信息联合进行指引需要携带的物品，例如，如果需要转移户口，户口所在地在省外和户口所在地在省内需要携带不同的资料。这些属性信息之间关系复杂，如果人工判断，需要花费较大的精力，利用机器学习模型可以自动准确的判断得到相应的所需物品清单，高效而且准确。
在本示例的一种实施方式中，所述机器学习模型的训练方法，包括：
收集历史上根据用户的目标属性信息获取了用户的所需物品清单的用户属性数据地图样本集；
将所述用户属性数据地图样本的数据输入机器学习模型，输出与所述用户属性数据地图样本对应的所需物品清单；
如果输出的所述所需物品清单与所述样本对应的所需物品清单不一致，则调整机器学习模型的系数，直到一致；
当所有的样本的数据输入机器学习模型后，输出的所述所需物品清单与每个所述样本对应的所需物品清单一致，训练结束。
本示例的实施方式中，通过历史上的各种目标属性信息情况对应的用户属性数据地图和相应的所需物品清单样本，训练机器学习模型，可以保证机器学习模型的准确性。
在本示例的一种实施方式中，在获取与所述用户的身份信息关联的用户属性信息之后，所述方法还可以包括：
获取入学所需物品与用户属性对应关系配置规则列表；
按照所述配置规则列表中的每个配置规则，逐一验证所述用户的用户属性信息，得到验证结果，所述验证结果包括通过和不通过中一种；
当所述验证结果为通过时，将所述通过的验证结果对应的配置规则中的入学所需物品，加入所述用户的所需物品清单。
入学所需物品与学生属性对应关系配置规则是预先配置好的，存储在列表中。例如，入学所需物品是助学金证明材料，由于规定只有专业是“物理”、“数学”并且家庭收入状况为“3000/月以下”才能拿到助学金，它对应的学生属性是“专业信息”是“物理”或“数学”且“家庭收入状况”是3000元/月以下的数字。再例如，入学所需物品是“户口迁移证明”，它对应的学生属性是“户口”为该大学所在城市以外的地区。再例如，入学所需物品是“党团员关系证明”，它对应的学生属性是“政治面貌”为“党员”或“团员”。按照所述配置规则列表中的每个配置规则，逐一验证所述用户的用户属性信息，例如，一个规则为：助学金证明材料对应“专业”是“物理”或“数学”且“家庭收入状况”为3000元/月以下。如果验证通过，则将助学金证明材料加入清单。
在本示例的一种实施方式中，在将所述用户属性数据地图输入预先训练好的机器学习模型，得到所述用户的所需物品清单之后，所述方法还包括：
从所述用户的所需物品清单中，获取需官方处理物品；
根据所述需官方处理物品查找处理所述需官方处理物品的部门信息；
将所述需官方处理物品以及对应的部门信息形成处理部门清单。
每种需要携带的物品都有对应的处理部门，其中包括学生自己处理的物品，也包含官方处理的物品，例如学费和报到证等需要官方处理，而每种需官方处理物品都有处理该需官方处理物品的部门，查找不便，通过根据需官方处理物品以及对应的部门信息形成处理部门清单，可以有效提高学生和工作人员的工作效率。
本公开还提供了一种基于机器学习的物品清单自动生成装置。参考图4所示，该基于机器学习的物品清单自动生成装置可以包括第一获取模块410、第二获取模块420、第三获取模块430、地图生成模块440以及清单生成模块450。其中：
第一获取模块410可以用于获取用户的身份信息；
第二获取模块420可以用于获取与所述用户的身份信息关联的用户属性信息；
第三获取模块430可以用于从所述用户属性信息中获取所有用户共有的第一目标属性信息，并获取所述用户独有的第二目标属性信息；
地图生成模块440可以用于根据所述第一目标属性信息及所述第二目标属性信息，生成用户属性数据地图；
清单生成模块450可以用于将所述用户属性数据地图输入预先训练好的机器学习模型，得到所述用户的所需物品清单。
上述基于机器学习的物品清单自动生成装置中各模块的具体细节已经在对应的基于机器学习的物品清单自动生成方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图5来描述根据本发明的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图1中所示的步骤S110：获取用户的身份信息；S120：获取与所述用户的身份信息关联的用户属性信息；步骤S130：从所述用户属性信息中获取所有用户共有的第一目标属性信息，并获取所述用户独有的第二目标属性信息；步骤S140：根据所述第一目标属性信息及所述第二目标属性信息，生成用户属性数据地图；步骤S150：将所述用户属性数据地图输入预先训练好的机器学习模型，得到所述用户的所需物品清单。
存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。
存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得客户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器560通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图6所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品600，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在客户计算设备上执行、部分地在客户设备上执行、作为一个独立的软件包执行、部分在客户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到客户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
Claims (10)
1.一种基于机器学习的物品清单自动生成方法，其特征在于，包括：
获取用户的身份信息；
获取与所述用户的身份信息关联的用户属性信息；
从所述用户属性信息中获取所有用户共有的第一目标属性信息，并获取所述用户独有的第二目标属性信息；
根据所述第一目标属性信息及所述第二目标属性信息，生成用户属性数据地图；
将所述用户属性数据地图输入预先训练好的机器学习模型，得到所述用户的所需物品清单。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一目标属性信息及所述第二目标属性信息，生成用户属性数据地图，包括：
将所述第一目标属性信息转化为与所述第一目标属性信息对应的第一属性标签及第一属性值；
将所述第二目标属性信息转化为所述第二目标属性信息对应的第二属性标签及第二属性值；
根据所述第一属性标签，将所述第一属性值添加到预设的第一空白地图，得到第一属性数据子地图；
根据所述第二属性标签，将所述第二属性值添加到预设的第二空白地图，得到第二属性数据子地图；
根据所述第一属性数据子地图与所述第二属性数据子地图，生成所述用户属性数据地图。
3.根据权利要求1所述的方法，其特征在于，所述获取所述用户独有的第二目标属性信息，包括：
获取所述用户属性信息中除去所述共有的目标属性信息之外其它的属性信息；
获取所述其它的属性信息中属性的属性值，所述属性值为正值和负值中一种；
当所述属性值为正值时，将所述属性值对应的属性信息作为所述用户独有的第二目标属性信息。
4.根据权利要求1所述的方法，其特征在于，所述从所述用户属性信息中获取所有用户共有的第一目标属性信息，并获取所述用户独有的第二目标属性信息，包括：
获取所述用户所来自的地域信息；
根据所述地域信息获取与所述地域信息对应的目标属性信息模板；
利用所述目标属性信息模板，从所述用户属性信息中获取所有用户共有的第一目标属性信息，并获取所述用户独有的第二目标属性信息。
5.根据权利要求1所述的方法，其特征在于，所述机器学习模型的训练方法，包括：
收集历史上根据用户的目标属性信息获取了用户的所需物品清单的用户属性数据地图样本集；
将所述用户属性数据地图样本的数据输入机器学习模型，输出与所述用户属性数据地图样本对应的所需物品清单；
如果输出的所述所需物品清单与所述样本对应的所需物品清单不一致，则调整机器学习模型的系数，直到一致；
当所有的样本的数据输入机器学习模型后，输出的所述所需物品清单与每个所述样本对应的所需物品清单一致，训练结束。
6.根据权利要求1所述的方法，其特征在于，在获取与所述用户的身份信息关联的用户属性信息之后，所述方法还可以包括：
获取入学所需物品与用户属性对应关系配置规则列表；
按照所述配置规则列表中的每个配置规则，逐一验证所述用户的用户属性信息，得到验证结果，所述验证结果包括通过和不通过中一种；
当所述验证结果为通过时，将所述通过的验证结果对应的配置规则中的入学所需物品，加入所述用户的所需物品清单。
7.根据权利要求1所述的方法，其特征在于，在将所述用户属性数据地图输入预先训练好的机器学习模型，得到所述用户的所需物品清单之后，所述方法还包括：
从所述用户的所需物品清单中，获取需官方处理物品；
根据所述需官方处理物品查找处理所述需官方处理物品的部门信息；
将所述需官方处理物品以及对应的部门信息形成处理部门清单。
8.一种基于机器学习的物品清单自动生成装置，其特征在于，包括：
第一获取模块，用于获取用户的身份信息；
第二获取模块，用于获取与所述用户的身份信息关联的用户属性信息；
第三获取模块，用于从所述用户属性信息中获取所有用户共有的第一目标属性信息，并获取所述用户独有的第二目标属性信息；
地图生成模块，用于根据所述第一目标属性信息及所述第二目标属性信息，生成用户属性数据地图；
清单生成模块，用于将所述用户属性数据地图输入预先训练好的机器学习模型，得到所述用户的所需物品清单。
9.一种计算机可读存储介质，其上存储有基于机器学习的物品清单自动生成程序，其特征在于，所述基于机器学习的物品清单自动生成程序被处理器执行时实现权利要求1-7任一项所述的方法。
10.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的基于机器学习的物品清单自动生成程序；其中，所述处理器配置为经由执行所述基于机器学习的物品清单自动生成程序来执行权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910435029.5A CN110334328B (zh) | 2019-05-23 | 2019-05-23 | 基于机器学习的物品清单自动生成方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910435029.5A CN110334328B (zh) | 2019-05-23 | 2019-05-23 | 基于机器学习的物品清单自动生成方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110334328A true CN110334328A (zh) | 2019-10-15 |
| CN110334328B CN110334328B (zh) | 2024-05-07 |
Family
ID=68139673
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910435029.5A Active CN110334328B (zh) | 2019-05-23 | 2019-05-23 | 基于机器学习的物品清单自动生成方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110334328B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110941949A (zh) * | 2019-11-21 | 2020-03-31 | 望海康信(北京)科技股份公司 | 数据表格渲染控制方法、装置、计算机设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203825640U (zh) * | 2013-12-30 | 2014-09-10 | 中云智慧（北京）科技有限公司 | 一种行邮辅助识别及对比的装置 |
| CN104156450A (zh) * | 2014-08-15 | 2014-11-19 | 同济大学 | 一种基于用户网络数据的物品信息推荐方法 |
| CN105956146A (zh) * | 2016-05-12 | 2016-09-21 | 腾讯科技（深圳）有限公司 | 一种物品信息的推荐方法及装置 |
| CN106295832A (zh) * | 2015-05-12 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 产品信息推送方法及装置 |
| CN109214936A (zh) * | 2018-09-03 | 2019-01-15 | 中国平安人寿保险股份有限公司 | 一种费用催收方法、系统及终端设备 |
| CN109344205A (zh) * | 2018-09-10 | 2019-02-15 | 杭州后博科技有限公司 | 一种基于关键词的作业所需物品识别系统及方法 |
| CN109558535A (zh) * | 2018-11-05 | 2019-04-02 | 重庆中科云丛科技有限公司 | 基于人脸识别的个性化推送物品的方法及系统 |
| CN109559010A (zh) * | 2018-10-15 | 2019-04-02 | 平安科技（深圳）有限公司 | 物资分配方法、装置、计算机设备及存储介质 |
-
2019
- 2019-05-23 CN CN201910435029.5A patent/CN110334328B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203825640U (zh) * | 2013-12-30 | 2014-09-10 | 中云智慧（北京）科技有限公司 | 一种行邮辅助识别及对比的装置 |
| CN104156450A (zh) * | 2014-08-15 | 2014-11-19 | 同济大学 | 一种基于用户网络数据的物品信息推荐方法 |
| CN106295832A (zh) * | 2015-05-12 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 产品信息推送方法及装置 |
| CN105956146A (zh) * | 2016-05-12 | 2016-09-21 | 腾讯科技（深圳）有限公司 | 一种物品信息的推荐方法及装置 |
| CN109214936A (zh) * | 2018-09-03 | 2019-01-15 | 中国平安人寿保险股份有限公司 | 一种费用催收方法、系统及终端设备 |
| CN109344205A (zh) * | 2018-09-10 | 2019-02-15 | 杭州后博科技有限公司 | 一种基于关键词的作业所需物品识别系统及方法 |
| CN109559010A (zh) * | 2018-10-15 | 2019-04-02 | 平安科技（深圳）有限公司 | 物资分配方法、装置、计算机设备及存储介质 |
| CN109558535A (zh) * | 2018-11-05 | 2019-04-02 | 重庆中科云丛科技有限公司 | 基于人脸识别的个性化推送物品的方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 刘志;林振涛;鄢致雯;陈波;: "基于属性偏好自学习的推荐方法", 浙江工业大学学报, no. 02, pages 46 - 52 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110941949A (zh) * | 2019-11-21 | 2020-03-31 | 望海康信(北京)科技股份公司 | 数据表格渲染控制方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110334328B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Friendbook: a semantic-based friend recommendation system for social networks | |
| CN110021051A (zh) | 一种基于生成对抗网络通过文本指导的人物图像生成方法 | |
| CN109034907A (zh) | 广告数据投放方法及装置、电子设备、存储介质 | |
| CN106980868A (zh) | 用于具有多个文本标签的图像的嵌入空间 | |
| CN106980867A (zh) | 将嵌入空间中的语义概念建模为分布 | |
| CN109409994A (zh) | 模拟用户穿戴服装饰品的方法、装置和系统 | |
| US10936688B2 (en) | Dynamically enhancing query results | |
| CN112287244A (zh) | 基于联邦学习的产品推荐方法、装置、计算机设备及介质 | |
| CN109815365A (zh) | 用于处理视频的方法和装置 | |
| CN109919077A (zh) | 姿态识别方法、装置、介质和计算设备 | |
| CN113627797B (zh) | 入职员工画像生成方法、装置、计算机设备及存储介质 | |
| WO2019035364A1 (ja) | プログラム、情報処理方法、および情報処理装置 | |
| CN112417121A (zh) | 客户意图识别方法、装置、计算机设备及存储介质 | |
| CN111444339B (zh) | 文本题目难度标注方法、装置及计算机可读存储介质 | |
| CN110018823A (zh) | 交互式应用程序的处理方法及系统、生成方法及系统 | |
| Lu | Application of wireless network and machine learning algorithm in entrepreneurship education of remote intelligent classroom | |
| CN110020974A (zh) | 律师推荐方法、装置、介质及电子设备 | |
| CN107609487B (zh) | 一种用户头像的生成方法和装置 | |
| CN109101309A (zh) | 用于更新用户界面方法和装置 | |
| CN111738778A (zh) | 用户画像生成方法、装置、计算机设备及存储介质 | |
| TW202046193A (zh) | 計劃制定輔助裝置和計劃制定輔助方法 | |
| CN117271818B (zh) | 视觉问答方法、系统、电子设备及存储介质 | |
| CN110334328A (zh) | 基于机器学习的物品清单自动生成方法及装置 | |
| CN108604230A (zh) | 具有职业和非职业内容的用户馈送 | |
| US20210357682A1 (en) | Artificial intelligence driven image retrieval |
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 |