CN111476276A - 智能化数据分类方法、装置、电子设备及可读存储介质 - Google Patents

智能化数据分类方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN111476276A
CN111476276A CN202010190166.XA CN202010190166A CN111476276A CN 111476276 A CN111476276 A CN 111476276A CN 202010190166 A CN202010190166 A CN 202010190166A CN 111476276 A CN111476276 A CN 111476276A
Authority
CN
China
Prior art keywords
label
current
tag
representing
classification
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
Application number
CN202010190166.XA
Other languages
English (en)
Inventor
韦雨露
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.)
Ping An Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China Ltd
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 Ping An Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN202010190166.XA priority Critical patent/CN111476276A/zh
Publication of CN111476276A publication Critical patent/CN111476276A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种人工智能技术，揭露了一种智能化数据分类方法，包括：根据历史信息集与历史标签集的对应关系，对当前信息集进行标签计算得到当前标签集，根据预设调节因子对所述当前标签集进行标签调节得到标准标签集，根据卷积神经网络特征提取技术，从所述标准标签集中提取标签特征得到特征提取集，将所述特征提取集作为已训练完成的分类神经网络的输入值进行分类预测得到数据分类结果。本发明还提出一种智能化数据分类装置、电子设备以及一种计算机可读存储介质。本发明可以解决数据分类时计算量庞大占用计算资源的问题。

Description

智能化数据分类方法、装置、电子设备及可读存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种智能化数据分类的方法、装置、电子设备及可读存储介质。
背景技术
随着大数据及人工智能的兴起，专业领域的技术人员每天需要对庞大的数据进行分类，如在保险领域内获取不同投保人员的个人信息，通过对个人信息的快速分析确定不同投保人员在保险险种上的分类。
当前对于数据的分类多依赖于传统计算法和神经网络计算法，传统计算法包括如logistic回归法、决策树法等，神经网络计算法包括如BP神经网络等。虽然传统计算法和神经网络计算法对于数据分类具有良好效果，但当数据量庞大时，传统计算法分类效果会明显下降，而神经网络计算法虽然效果良好，但计算量庞大占用计算资源。
发明内容
本发明提供一种智能化数据分类方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决数据分类时计算量庞大占用计算资源的问题。
为实现上述目的，本发明提供的一种智能化数据分类方法，包括：
根据预先获取的历史信息集与历史标签集的对应关系，对当前待分类的数据组成的当前信息集进行标签计算得到当前标签集；
根据预设调节因子对所述当前标签集进行标签调节得到标准标签集；
根据卷积神经网络特征提取技术，从所述标准标签集中提取标签特征得到特征提取集；
将所述特征提取集作为已训练完成的分类神经网络的输入值进行分类预测得到数据分类结果。
可选地，所述根据预先获取的历史信息集与历史标签集的对应关系，对当前信息集进行标签计算得到当前标签集，包括：
判断所述当前信息集为二分类标签计算还是多分类标签计算；
若为二分类标签计算，则根据预构建的二分类标签计算公式计算所述当前信息集得到所述当前标签集；
若为多分类标签计算，则根据预构建的多分类标签计算公式计算所述当前信息集得到所述当前标签集。
可选地，所述二分类标签计算公式包括：
Figure BDA0002414065040000021
所述多分类标签计算公式包括：
Figure BDA0002414065040000022
其中，X为所述当前信息集，Y为所述当前标签集，L(Y,P(Y|X))表示以所述当前信息集为条件建立的所述二分类标签计算公式，L(Y,P(Y|X))three表示以所述当前信息集为条件建立的所述多分类标签计算公式，P(Y|X)表示所述当前信息集为已知情况下所述当前标签集的发生概率，i表示所述历史信息集内的历史信息的编号，N表示所述历史信息集内的数据总量，Yi表示所述i的历史标签，pi表示历史信息i在被分到所述历史标签集内每个历史标签的概率值，Yij表示所述历史标签集内的历史标签，j表示所述历史标签集内的历史标签的编号，表示所述历史标签集的数据总量，Pij表示历史信息i在被分到所述历史标签集内历史标签j的概率值。
可选地，所述根据预设调节因子对所述当前标签集进行标签调节得到标准标签集，包括：
预设调节因子的数值；
将所述调节因子的数值及所述当前标签集内的标签数值作为预设标签调节函数的函数参数进行计算得到标准标签集。
可选地，所述预设标签调节函数包括：
Figure BDA0002414065040000023
其中，newf表示所述标准标签集内的标签数据，
Figure BDA0002414065040000024
表示所述调节因子，N表示所述历史信息集内的数据总量，Ci表示所述当前标签集内标签数据，f()表示预构建的数据映射函数。
可选地，所述根据卷积神经网络特征提取技术，从所述标准标签集中提取标签特征得到特征提取集，包括：
利用卷积神经网络矩阵整合方法，将所述标准标签集转化为标签矩阵；
根据预设特征提取计算公式从所述标签矩阵中提取得到特征提取集。
可选地，所述利用卷积神经网络矩阵整合方法，将所述标准标签集转化为标签矩阵，包括：
将所述标准标签集按照预设行列数排列得到初始标签矩阵；
对所述初始标签矩阵进行卷积操作和池化操作得到标签矩阵。
为了解决上述问题，本发明还提供一种智能化数据分类装置，所述装置包括：
标签计算模块，用于根据预先获取的历史信息集与历史标签集的对应关系，对当前待分类的数据组成的当前信息集进行标签计算得到当前标签集；
标签调节模块，用于根据预设调节因子对所述当前标签集进行标签调节得到标准标签集；
特征提取模块，用于根据卷积神经网络特征提取技术，从所述标准标签集中提取标签特征得到特征提取集；
数据分类模块，用于将所述特征提取集作为已训练完成的分类神经网络的输入值进行分类预测得到数据分类结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述中任意一项所述的智能化数据分类方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述中任意一项所述的智能化数据分类方法。
本发明根据历史信息集与历史标签集的对应关系构建得到标签集，并对标签进行调节得到标准标签，达到了对数据初始标签划分目的，初始标签划分由于不涉及到计算方法，因此更加简便，同时使用卷积神经网络特征提取技术对标准标签进行特征提取的同时，简化特征提取集的数据量，为后续信息分类简化计算流程，进一步地，使用训练完成的分类神经网络提高数据分类的准确度。因此本发明提出的智能化数据分类方法、装置、电子设备及计算机可读存储介质，可以解决数据分类时计算量庞大占用计算资源的问题。
附图说明
图1为本发明一实施例提供的智能化数据分类方法的流程示意图；
图2为本发明一实施例提供的智能化数据分类方法中标签计算的流程示意图；
图3为本发明一实施例提供的智能化数据分类方法中S2步骤的流程示意图；
图4为本发明一实施例提供的智能化数据分类方法的模块示意图；
图5为本发明一实施例提供的智能化数据分类方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种智能化数据分类方法。参照图1所示，为本发明一实施例提供的智能化数据分类方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，智能化数据分类方法包括：
S1、根据预先获取的历史信息集与历史标签集的对应关系，对当前待分类的数据组成的当前信息集进行标签计算得到当前标签集。
本发明的目的是通过研究历史数据的分类关系，对当前待分类的数据进行快速分类，有效提高效率，如在保险领域内，根据包括历史信息集以及历史标签集的历史投保数据，获取不同投保人员的个人信息组成个人信息集，通过对个人信息集的快速分析确定对不同投保人员在保险险种上的分类，从而解决人工保险分类带来的评估差、工作强度大、人力表现不稳定带来的问题。
如在上述保险领域内，所述历史信息集可包括投保人员基本信息、理赔信息、投保人员已购买的历史寿险产品类型等，所述历史标签集是对历史信息集完成分类的分类标签，如投保人员张强基本信息32岁、男、本科学历、城镇户口、市区三套住宅房、曾有过胃穿孔手术记录等，曾在保险公司内有三次理赔信息(包括驾驶的汽车发生意外的理赔等)，购买过医疗保险、失业保险，历史标签集内对张强的分类标签为加费承包。
详细地，所述根据预先获取的历史信息集与历史标签集的对应关系，对当前信息集进行标签计算得到当前标签集可参阅图2所示的标签计算的流程示意图所示，包括：
S11、判断所述当前信息集为二分类标签计算还是多分类标签计算；
S12、若为二分类标签计算，则根据预构建的二分类标签计算公式计算所述当前信息集得到所述当前标签集；
S13、若为多分类标签计算，则根据预构建的多分类标签计算公式计算所述当前信息集得到所述当前标签集。如在上述保险领域对投保人员进行核保时，若只需要判断是否给予张强投保的机会的分类结果，则为二分类标签问题，若对张强核保的结果有加费核保、延期核保、除外核保等分类结果，则为多分类标签问题。
其中，所述二分类标签计算公式包括：
Figure BDA0002414065040000051
其中，X为所述当前信息集，Y为所述当前标签集，L(Y,P(Y|X))two表示以所述当前信息集为条件建立的所述二分类标签计算公式，P(Y|X)表示所述当前信息集为已知情况下所述当前标签集的发生概率，i表示所述历史信息集内的历史信息的编号，N表示所述历史信息集内的数据总量，Yi表示所述i的历史标签，pi表示历史信息i在被分到所述历史标签集内每个历史标签的概率值。
详细地，所述多分类标签计算公式包括：
Figure BDA0002414065040000061
其中，X为所述当前信息集，Y为所述当前标签集，L(Y,P(Y|X))three表示以所述当前信息集为条件建立的所述多分类标签计算公式，P(Y|X)表示所述当前信息集为已知情况下所述当前标签集的发生概率，Yij表示所述历史标签集内的历史标签，i表示所述历史信息集内的历史信息的编号，j表示所述历史标签集内的历史标签的编号，N表示所述历史信息集的数据总量，M表示所述历史标签集的数据总量，Pij表示历史信息i在被分到所述历史标签集内历史标签j的概率值。
如投保人员孙安东基本信息27岁、男、本科学历、城镇户口、市区十套住宅房、无患病记录等，无理赔信息记录，购买过医疗保险、失业保险，通过S1的标签计算得到孙安东的当前标签为：加费核保0.11、延期核保0.10、正常核保0.97、不给予核保0.08。
S2、根据预设调节因子对所述当前标签集进行标签调节得到标准标签集。
详细地，所述S2包括：
S21、预设调节因子的数值；
S22、根据所述调节因子的数值及所述当前标签集内的标签数值，利用预设标签调节函数，计算得到标准标签集。
其中，所述预设标签调节函数包括：
Figure BDA0002414065040000062
其中newf表示所述标准标签集内的标签数值，
Figure BDA0002414065040000063
表示所述调节因子，N表示所述历史信息集内的数据总量，Ci表示所述当前标签集内标签数据，f()表示预构建的数据映射函数，如可用sigmoid函数，如上述S1的标签计算得到孙安东的当前标签为加费核保0.11、延期核保0.10、正常核保0.97、不给予核保0.08，通过S2处理后变为加费核保0.15、延期核保0.10、正常核保0.92、不给予核保0.012。
S3、根据卷积神经网络特征提取技术，从所述标准标签集中提取标签特征得到特征提取集。
较佳地，所述S3包括：利用卷积神经网络矩阵整合方法，将所述标准标签集转化为标签矩阵，根据预设特征提取计算公式从所述标签矩阵中提取得到特征提取集。
进一步地，所述利用卷积神经网络矩阵整合方法，将所述标准标签集转化为标签矩阵，包括：将所述标准标签集按照预设行列数排列得到初始标签矩阵，对所述初始标签矩阵进行卷积操作和池化操作得到标签矩阵。
如上述孙安东的当前标签为加费核保0.15、延期核保0.10、正常核保0.92、不给予核保0.012，按照2行2列的原则，构建得到的初始标签矩阵为
Figure BDA0002414065040000071
所述卷积操作为：
Figure BDA0002414065040000072
其中ω’为所述卷积操作的输出数据，k为卷积核的大小，p为所述卷积操作的步幅，t为数据补零矩阵。
如上述初始标签矩阵为
Figure BDA0002414065040000073
经过所述卷积操作后得到矩阵形式为
Figure BDA0002414065040000074
而池化操作包括多种池化方式，如最大化池化方法、平均值池化方法等，如最大化池化方法将
Figure BDA0002414065040000075
可变为[0.89]，而[0.89]即为标签矩阵。
进一步地，特征提取计算公式如下：
Figure BDA0002414065040000076
其中，T表述所述特征提取集，N表示所述标签矩阵的矩阵维度，Xi表示所述标签矩阵，Yi表示所述历史标签集对应的历史标签矩阵，L(Yi,Xi)表示标签矩阵与历史标签矩阵的空间距离值。
S4、将所述特征提取集作为已训练完成的分类神经网络的输入值进行分类预测得到数据分类结果。
较佳地，所述已训练完成的分类神经网络可使用当前已公开的基于卷积神经网络的分类神经网络，如上述孙安东的特征提取值为0.24，根据训练完成的卷积神经网络进行分类得到正常核保的分类。
如图4所示，是本发明智能化数据分类装置的功能模块图。
本发明所述智能化数据分类装置100可以安装于电子设备中。根据实现的功能，所述智能化数据分类装置可以包括标签计算模块101、标签调节模块102、特征提取模块103和数据分类模块104。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述标签计算模块101，用于根据预先获取的历史信息集与历史标签集的对应关系，对当前待分类的数据组成的当前信息集进行标签计算得到当前标签集；
所述标签调节模块102，用于根据预设调节因子对所述当前标签集进行标签调节得到标准标签集；
所述特征提取模块103，用于根据卷积神经网络特征提取技术，从所述标准标签集中提取标签特征得到特征提取集；
所述数据分类模块104，用于将所述特征提取集作为已训练完成的分类神经网络的输入值进行分类预测得到数据分类结果。
详细地，所述智能化数据分类装置各模块的具体实施步骤如下：
所述标签计算模块101根据历史信息集与历史标签集的对应关系，对当前信息集进行标签计算得到当前标签集。
本发明的目的是通过研究历史数据的分类关系，对当前待分类的数据进行快速分类，有效提高效率，如在保险领域内，根据包括历史信息集以及历史标签集的历史投保数据，获取不同投保人员的个人信息组成个人信息集，通过对个人信息集的快速分析确定对不同投保人员在保险险种上的分类，从而解决人工保险分类带来的评估差、工作强度大、人力表现不稳定带来的问题。
如在上述保险领域内，所述历史信息集可包括投保人员基本信息、理赔信息、投保人员已购买的历史寿险产品类型等，所述历史标签集是对历史信息集完成分类的分类标签，如投保人员张强基本信息32岁、男、本科学历、城镇户口、市区三套住宅房、曾有过胃穿孔手术记录等，曾在保险公司内有三次理赔信息(包括驾驶的汽车发生意外的理赔等)，购买过医疗保险、失业保险，历史标签集内对张强的分类标签为加费承包。
详细地，所述根据预先获取的历史信息集与历史标签集的对应关系，对当前信息集进行标签计算得到当前标签集包括：
判断所述当前信息集为二分类标签计算还是多分类标签计算；
若为二分类标签计算，则根据预构建的二分类标签计算公式计算所述当前信息集得到所述当前标签集；
若为多分类标签计算，则根据预构建的多分类标签计算公式计算所述当前信息集得到所述当前标签集。如在上述保险领域对投保人员进行核保时，若只需要判断是否给予张强投保的机会的分类结果，则为二分类标签问题，若对张强核保的结果有加费核保、延期核保、除外核保等分类结果，则为多分类标签问题。
其中，所述二分类标签计算公式包括：
Figure BDA0002414065040000091
其中，X为所述当前信息集，Y为所述当前标签集，L(Y,P(Y|X))two表示以所述当前信息集为条件建立的所述二分类标签计算公式，P(Y|X)表示所述当前信息集为已知情况下所述当前标签集的发生概率，i表示所述历史信息集内的历史信息的编号，N表示所述历史信息集内的数据总量，Yi表示所述i的历史标签，pi表示历史信息i在被分到所述历史标签集内每个历史标签的概率值。
详细地，所述多分类标签计算公式包括：
Figure BDA0002414065040000092
其中，X为所述当前信息集，Y为所述当前标签集，L(Y,P(Y|X))three表示以所述当前信息集为条件建立的所述多分类标签计算公式，P(Y|X)表示所述当前信息集为已知情况下所述当前标签集的发生概率，Yij表示所述历史标签集内的历史标签，i表示所述历史信息集内的历史信息的编号，j表示所述历史标签集内的历史标签的编号，N表示所述历史信息集的数据总量，M表示所述历史标签集的数据总量，Pij表示历史信息i在被分到所述历史标签集内历史标签j的概率值。
如投保人员孙安东基本信息27岁、男、本科学历、城镇户口、市区十套住宅房、无患病记录等，无理赔信息记录，购买过医疗保险、失业保险，通过S1的标签计算得到孙安东的当前标签为：加费核保0.11、延期核保0.10、正常核保0.97、不给予核保0.08。
所述标签调节模块102根据预设调节因子对所述当前标签集进行标签调节得到标准标签集。
详细地，所述根据预设调节因子对所述当前标签集进行标签调节得到标准标签集包括：
预设调节因子的数值；
根据所述调节因子的数值及所述当前标签集内的标签数值，利用预设标签调节函数，计算得到标准标签集。
其中，所述预设标签调节函数包括：
Figure BDA0002414065040000101
其中newf表示所述标准标签集内的标签数值，
Figure BDA0002414065040000102
表示所述调节因子，N表示所述历史信息集内的数据总量，Ci表示所述当前标签集内标签数据，f()表示预构建的数据映射函数，如可用sigmoid函数，如上述S1的标签计算得到孙安东的当前标签为加费核保0.11、延期核保0.10、正常核保0.97、不给予核保0.08，通过S2处理后变为加费核保0.15、延期核保0.10、正常核保0.92、不给予核保0.012。
所述特征提取模块103根据卷积神经网络特征提取技术，从所述标准标签集中提取标签特征得到特征提取集。
较佳地，所述根据卷积神经网络特征提取技术，从所述标准标签集中提取标签特征得到特征提取集包括：利用卷积神经网络矩阵整合方法，将所述标准标签集转化为标签矩阵，根据预设特征提取计算公式从所述标签矩阵中提取得到特征提取集。
进一步地，所述利用卷积神经网络矩阵整合方法，将所述标准标签集转化为标签矩阵，包括：将所述标准标签集按照预设行列数排列得到初始标签矩阵，对所述初始标签矩阵进行卷积操作和池化操作得到标签矩阵。
如上述孙安东的当前标签为加费核保0.15、延期核保0.10、正常核保0.92、不给予核保0.012，按照2行2列的原则，构建得到的初始标签矩阵为
Figure BDA0002414065040000111
所述卷积操作为：
Figure BDA0002414065040000112
其中ω’为所述卷积操作的输出数据，k为卷积核的大小，p为所述卷积操作的步幅，t为数据补零矩阵。
如上述初始标签矩阵为
Figure BDA0002414065040000113
经过所述卷积操作后得到矩阵形式为
Figure BDA0002414065040000114
而池化操作包括多种池化方式，如最大化池化方法、平均值池化方法等，如最大化池化方法将
Figure BDA0002414065040000115
可变为[0.89]，而[0.89]即为标签矩阵。
进一步地，特征提取计算公式如下：
Figure BDA0002414065040000116
其中，T表述所述特征提取集，N表示所述标签矩阵的矩阵维度，Xi表示所述标签矩阵，Yi表示所述历史标签集对应的历史标签矩阵，L(Yi,Xi)表示标签矩阵与历史标签矩阵的空间距离值。
所述数据分类模块104将所述特征提取集作为已训练完成的分类神经网络的输入值进行分类预测得到数据分类结果。
较佳地，所述已训练完成的分类神经网络可使用当前已公开的基于卷积神经网络的分类神经网络，如上述孙安东的特征提取值为0.24，根据训练完成的卷积神经网络进行分类得到正常核保的分类。
如图5所示，是本发明实现智能化数据分类方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如智能化数据分类程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如智能化数据分类的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行智能化数据分类等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的智能化数据分类12是多个指令的组合，在所述处理器10中运行时，可以实现：
根据预先获取的历史信息集与历史标签集的对应关系，对当前待分类的数据组成的当前信息集进行标签计算得到当前标签集。
根据预设调节因子对所述当前标签集进行标签调节得到标准标签集。
根据卷积神经网络特征提取技术，从所述标准标签集中提取标签特征得到特征提取集。
将所述特征提取集作为已训练完成的分类神经网络的输入值进行分类预测得到数据分类结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图4对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图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。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种智能化数据分类方法，其特征在于，所述方法包括：
根据预先获取的历史信息集与历史标签集的对应关系，对当前待分类的数据组成的当前信息集进行标签计算得到当前标签集；
根据预设调节因子对所述当前标签集进行标签调节得到标准标签集；
根据卷积神经网络特征提取技术，从所述标准标签集中提取标签特征得到特征提取集；
将所述特征提取集作为已训练完成的分类神经网络的输入值进行分类预测得到数据分类结果。
2.如权利要求1所述的智能化数据分类方法，其特征在于，所述根据预先获取的历史信息集与历史标签集的对应关系，对当前信息集进行标签计算得到当前标签集，包括：
判断所述当前信息集为二分类标签计算还是多分类标签计算；
若为二分类标签计算，则根据预构建的二分类标签计算公式计算所述当前信息集得到所述当前标签集；
若为多分类标签计算，则根据预构建的多分类标签计算公式计算所述当前信息集得到所述当前标签集。
3.如权利要求2所述的智能化数据分类方法，其特征在于：
所述二分类标签计算公式包括：
Figure FDA0002414065030000011
所述多分类标签计算公式包括：
Figure FDA0002414065030000012
其中，X为所述当前信息集，Y为所述当前标签集，L(Y，P(Y|X))two表示以所述当前信息集为条件建立的所述二分类标签计算公式，L(Y，P(Y|X))three表示以所述当前信息集为条件建立的所述多分类标签计算公式，P(Y|X)表示所述当前信息集为已知情况下所述当前标签集的发生概率，i表示所述历史信息集内的历史信息的编号，N表示所述历史信息集内的数据总量，Yi表示所述i的历史标签，pi表示历史信息i在被分到所述历史标签集内每个历史标签的概率值，Yij表示所述历史标签集内的历史标签，j表示所述历史标签集内的历史标签的编号，M表示所述历史标签集的数据总量，Pij表示历史信息i在被分到所述历史标签集内历史标签j的概率值。
4.如权利要求1所述的智能化数据分类方法，其特征在于，所述根据预设调节因子对所述当前标签集进行标签调节得到标准标签集，包括：
预设调节因子的数值；
根据所述调节因子的数值及所述当前标签集内的标签数值，利用预设标签调节函数，计算得到所述标准标签集。
5.如权利要求4所述的智能化数据分类方法，其特征在于，所述预设标签调节函数包括：
Figure FDA0002414065030000021
其中，newf表示所述标准标签集内的标签数据，θ表示所述调节因子，N表示所述历史信息集内的数据总量，Ci表示所述当前标签集内标签数据，f()表示预构建的数据映射函数。
6.如权利要求1所述的智能化数据分类方法，其特征在于，所述根据卷积神经网络特征提取技术，从所述标准标签集中提取标签特征得到特征提取集，包括：
利用卷积神经网络矩阵整合方法，将所述标准标签集转化为标签矩阵；
根据预设特征提取计算公式从所述标签矩阵中提取得到所述特征提取集。
7.如权利要求6所述的智能化数据分类方法，其特征在于，所述利用卷积神经网络矩阵整合方法，将所述标准标签集转化为标签矩阵，包括：
将所述标准标签集按照预设行列数排列得到初始标签矩阵；
对所述初始标签矩阵进行卷积操作和池化操作得到所述标签矩阵。
8.一种智能化数据分类装置，其特征在于，所述装置包括：
标签计算模块，用于根据预先获取的历史信息集与历史标签集的对应关系，对当前待分类的数据组成的当前信息集进行标签计算得到当前标签集；
标签调节模块，用于根据预设调节因子对所述当前标签集进行标签调节得到标准标签集；
特征提取模块，用于根据卷积神经网络特征提取技术，从所述标准标签集中提取标签特征得到特征提取集；
数据分类模块，用于将所述特征提取集作为已训练完成的分类神经网络的输入值进行分类预测得到数据分类结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一所述的智能化数据分类方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一所述的智能化数据分类方法。
CN202010190166.XA 2020-03-17 2020-03-17 智能化数据分类方法、装置、电子设备及可读存储介质 Pending CN111476276A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010190166.XA CN111476276A (zh) 2020-03-17 2020-03-17 智能化数据分类方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010190166.XA CN111476276A (zh) 2020-03-17 2020-03-17 智能化数据分类方法、装置、电子设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN111476276A true CN111476276A (zh) 2020-07-31

Family

ID=71747970

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010190166.XA Pending CN111476276A (zh) 2020-03-17 2020-03-17 智能化数据分类方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111476276A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111950621A (zh) * 2020-08-10 2020-11-17 中国平安人寿保险股份有限公司 基于人工智能的目标数据检测方法、装置、设备及介质
CN112308166A (zh) * 2020-11-09 2021-02-02 建信金融科技有限责任公司 一种处理标签数据的方法和装置
CN113610113A (zh) * 2021-07-09 2021-11-05 中国银行股份有限公司 一种数据可视化方法及装置
CN114185914A (zh) * 2022-02-16 2022-03-15 西安热工研究院有限公司 计算标签数据的补算方法、系统、设备及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111950621A (zh) * 2020-08-10 2020-11-17 中国平安人寿保险股份有限公司 基于人工智能的目标数据检测方法、装置、设备及介质
CN112308166A (zh) * 2020-11-09 2021-02-02 建信金融科技有限责任公司 一种处理标签数据的方法和装置
CN113610113A (zh) * 2021-07-09 2021-11-05 中国银行股份有限公司 一种数据可视化方法及装置
CN114185914A (zh) * 2022-02-16 2022-03-15 西安热工研究院有限公司 计算标签数据的补算方法、系统、设备及存储介质
CN114185914B (zh) * 2022-02-16 2022-04-29 西安热工研究院有限公司 计算标签数据的补算方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
CN111476276A (zh) 智能化数据分类方法、装置、电子设备及可读存储介质
CN111652845A (zh) 异常细胞自动标注方法、装置、电子设备及存储介质
CN111932547B (zh) 图像中目标物的分割方法、装置、电子设备及存储介质
CN112541745A (zh) 用户行为数据分析方法、装置、电子设备及可读存储介质
CN113159147A (zh) 基于神经网络的图像识别方法、装置、电子设备
CN113283446A (zh) 图像中目标物识别方法、装置、电子设备及存储介质
CN113065609B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN114491047A (zh) 多标签文本分类方法、装置、电子设备及存储介质
CN112860905A (zh) 文本信息抽取方法、装置、设备及可读存储介质
CN113298159A (zh) 目标检测方法、装置、电子设备及存储介质
CN113268665A (zh) 基于随机森林的信息推荐方法、装置、设备及存储介质
CN113688923A (zh) 订单异常智能检测方法、装置、电子设备及存储介质
CN113505273B (zh) 基于重复数据筛选的数据排序方法、装置、设备及介质
CN114840684A (zh) 基于医疗实体的图谱构建方法、装置、设备及存储介质
CN113487621A (zh) 医学图像分级方法、装置、电子设备及可读存储介质
CN114022841A (zh) 人员监控识别方法、装置、电子设备及可读存储介质
CN113591900A (zh) 一种高需求响应潜力用户的识别方法、装置及终端设备
CN111652282B (zh) 基于大数据的用户偏好分析方法、装置及电子设备
CN112101481A (zh) 目标物的影响因子筛选方法、装置、设备及存储介质
CN117036947A (zh) 基于图像识别的农险出险预警方法、装置、设备及介质
CN113435308B (zh) 文本多标签分类方法、装置、设备及存储介质
CN113515591B (zh) 文本不良信息识别方法、装置、电子设备及存储介质
CN112580505B (zh) 网点开关门状态识别方法、装置、电子设备及存储介质
CN113806540A (zh) 文本打标签方法、装置、电子设备及存储介质
CN112633134A (zh) 基于图像识别的车内人脸识别方法、装置及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination