CN111489260A - 项目分类方法及装置、电子设备和存储介质 - Google Patents

项目分类方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111489260A
CN111489260A CN202010276177.XA CN202010276177A CN111489260A CN 111489260 A CN111489260 A CN 111489260A CN 202010276177 A CN202010276177 A CN 202010276177A CN 111489260 A CN111489260 A CN 111489260A
Authority
CN
China
Prior art keywords
attribute information
user attribute
probability
item
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.)
Withdrawn
Application number
CN202010276177.XA
Other languages
English (en)
Inventor
张捷
宋志成
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.)
Shanghai Sensetime Intelligent Technology Co Ltd
Original Assignee
Shanghai Sensetime Intelligent Technology Co 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 Shanghai Sensetime Intelligent Technology Co Ltd filed Critical Shanghai Sensetime Intelligent Technology Co Ltd
Priority to CN202010276177.XA priority Critical patent/CN111489260A/zh
Publication of CN111489260A publication Critical patent/CN111489260A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Technology Law (AREA)
  • Educational Administration (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及一种项目分类方法及装置、电子设备和存储介质。所述方法包括：获取目标用户的用户属性信息；将所述用户属性信息输入预测模型的第一子模型，经由所述第一子模型输出所述用户属性信息属于第一类项目的第一概率；根据所述第一概率，确定初步预测结果；若所述初步预测结果为所述第一类项目，则将所述用户属性信息输入所述预测模型的第二子模型，经由所述第二子模型输出所述用户属性信息属于所述第一类项目的第二概率，其中，所述第二子模型是根据由所述第一子模型正确分类的用户属性信息样本训练的；根据所述第二概率，确定与所述用户属性信息对应的项目类别。

Description

项目分类方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种项目分类方法及装置、电子设备和存储介质。
背景技术
在核保中，被保人的相关数据的获取非常困难，大多数情况下需要授权才能获得。尽管相关技术中有一些通过模型进行核保的方案，但由于数据量不足，导致核保的准确性较低。
发明内容
本公开提供了一种项目分类技术方案。
根据本公开的一方面，提供了一种项目分类方法，包括：
获取目标用户的用户属性信息；
将所述用户属性信息输入预测模型的第一子模型，经由所述第一子模型输出所述用户属性信息属于第一类项目的第一概率；
根据所述第一概率，确定初步预测结果；
若所述初步预测结果为所述第一类项目，则将所述用户属性信息输入所述预测模型的第二子模型，经由所述第二子模型输出所述用户属性信息属于所述第一类项目的第二概率，其中，所述第二子模型是根据由所述第一子模型正确分类的用户属性信息样本训练的；
根据所述第二概率，确定与所述用户属性信息对应的项目类别。
在本公开实施例中，通过获取目标用户的用户属性信息，将所述用户属性信息输入预测模型的第一子模型，经由所述第一子模型输出所述用户属性信息属于第一类项目的第一概率，根据所述第一概率，确定初步预测结果，若所述初步预测结果为所述第一类项目，则将所述用户属性信息输入所述预测模型的第二子模型，经由所述第二子模型输出所述用户属性信息属于所述第一类项目的第二概率，其中，所述第二子模型是根据由所述第一子模型正确分类的用户属性信息样本训练的，并根据所述第二概率，确定与所述用户属性信息对应的项目类别，由此能够提高针对目标用户进行项目分类的准确性。
在一种可能的实现方式中，
在所述获取目标用户的用户属性信息之后，在所述根据所述第一概率，确定初步预测结果之前，所述方法还包括：将所述用户属性信息输入所述预测模型的第三子模型，经由所述第三子模型输出所述用户属性信息属于所述第一类项目的第三概率；
所述根据所述第一概率，确定初步预测结果，包括：根据所述第一概率和所述第三概率，确定初步预测结果。
在该实现方式中，通过结合第三子模型的预测结果，确定初步预测结果，能够提高所确定的初步预测结果的准确性。
在一种可能的实现方式中，
在所述确定初步预测结果之后，在所述根据所述第二概率，确定与所述用户属性信息对应的项目类别之前，所述方法还包括：若所述初步预测结果为所述第一类项目，则将所述用户属性信息输入所述预测模型的第四子模型，经由所述第四子模型输出所述用户属性信息属于所述第一类项目的第四概率，其中，所述第四子模型是根据由所述第三子模型正确分类的用户属性信息样本训练的；
所述根据所述第二概率，确定与所述用户属性信息对应的项目类别，包括：根据所述第二概率和所述第四概率，确定与所述用户属性信息对应的项目类别。
在该实现方式中，通过结合第四子模型的预测结果，确定与所述用户属性信息对应的项目类别，能够提高所确定的与所述用户属性信息对应的项目类别的准确性。
在一种可能的实现方式中，所述根据所述第一概率和所述第三概率，确定初步预测结果，包括：
若所述第一概率与所述第三概率的加权和大于或等于第一阈值，则确定初步预测结果为所述第一类项目；
和/或，
若所述第一概率与所述第三概率的加权和小于所述第一阈值，则确定所述初步预测结果为第二类项目。
通过根据第一概率与第三概率的加权和确定第一子模型和第三子模型对应的初步预测结果，能够提高所确定的初步预测结果的准确性。
在一种可能的实现方式中，在所述确定初步预测结果之后，所述方法还包括：
若所述初步预测结果为第二类项目，则确定与所述用户属性信息对应的项目类别为所述第二类项目。
在该实现方式中，若初步预测结果为第二类项目，则可以直接确定与所述用户属性信息对应的项目类别为所述第二类项目；若初步预测结果为第一类项目，则可以继续通过第二子模型预测用户属性信息属于第一类项目的概率，由此能够提高第二类项目的召回率。
在一种可能的实现方式中，所述根据所述第二概率和所述第四概率，确定与所述用户属性信息对应的项目类别，包括：
若所述第二概率与所述第四概率的加权和大于或等于第二阈值，则确定与所述用户属性信息对应的项目类别为所述第一类项目；
和/或，
若所述第二概率与所述第四概率的加权和小于所述第二阈值，则确定与所述用户属性信息对应的项目类别为第二类项目。
通过根据第二概率与第四概率的加权和确定与所述用户属性信息对应的项目类别，能够提高所确定的与所述用户属性信息对应的项目类别的准确性。
在一种可能的实现方式中，在所述将所述用户属性信息输入预测模型的第一子模型之前，所述方法还包括：采用第一集合训练所述第一子模型，所述第一集合包含第一预设数量的用户属性信息样本；将第二集合中由所述第一子模型正确分类的用户属性信息样本划分至第二子集合，所述第二集合包含第二预设数量的用户属性信息样本；采用所述第二子集合训练所述第二子模型。
在该实现方式中，通过利用第二集合中由所述第一子模型正确分类的用户属性信息样本训练第二子模型，由此能够重复、充分地利用数据量有限的用户属性信息样本，能够提高用户属性信息样本的使用率，减小噪声数据对预测模型的干扰，从而能够提高对用户属性信息进行分类的准确性。
在一种可能的实现方式中，在所述将所述用户属性信息输入所述预测模型的第三子模型之前，所述方法还包括：采用第二集合训练所述第三子模型，所述第二集合包含第二预设数量的用户属性信息样本；将第一集合中由所述第三子模型正确分类的用户属性信息样本划分至第一子集合，所述第一集合包含第一预设数量的用户属性信息样本；采用所述第一子集合训练所述第四子模型。
通过利用第一集合中被所述第三子模型正确分类的用户属性信息样本训练第四子模型，由此能够重复、充分地利用数据量有限的用户属性信息样本，能够提高用户属性信息样本的使用率，减小噪声数据对预测模型的干扰，从而能够提高对用户属性信息进行分类的准确性。
在一种可能的实现方式中，所述方法还包括：
将第三预设数量的用户属性信息样本划分至第三集合；
对于所述第三集合中的任一用户属性信息样本，将该用户属性信息样本输入所述第一子模型，经由所述第一子模型输出该用户属性信息样本属于所述第一类项目的第五概率；
根据所述第五概率，确定该用户属性信息样本的初步测试结果；
若所述初步测试结果为所述第一类项目，则将该用户属性信息样本输入所述第二子模型，经由所述第二子模型输出该用户属性信息样本属于所述第一类项目的第六概率；和/或，若所述初步测试结果为第二类项目，则确定该用户属性信息样本的最终测试结果为所述第二类项目；
根据所述第六概率，确定该用户属性信息样本的最终测试结果；
根据所述第三集合中的各用户属性信息样本的最终测试结果，确定所述预测模型的准确率。
在该实现方式中，通过得到预测模型的准确率，能够实现对包括第一子模型和第二子模型的预测模型的评估。
在一种可能的实现方式中，
在所述将第三预设数量的用户属性信息样本划分至第三集合之后，在所述根据所述第五概率，确定该用户属性信息样本的初步测试结果之前，所述方法还包括：对于所述第三集合中的任一用户属性信息样本，将该用户属性信息样本输入第三子模型，经由所述第三子模型输出该用户属性信息样本属于所述第一类项目的第七概率；
所述根据所述第五概率，确定该用户属性信息样本的初步测试结果，包括：根据所述第五概率和所述第七概率，确定该用户属性信息样本的初步测试结果。
在该实现方式中，通过得到预测模型的准确率，能够实现对包括第一子模型和第二子模型的预测模型的评估。
在一种可能的实现方式中，
在所述确定该用户属性信息样本的初步测试结果之后，在所述根据所述第六概率，确定该用户属性信息样本的最终测试结果之前，所述方法还包括：将该用户属性信息样本输入第四子模型，经由所述第四子模型输出该用户属性信息样本属于所述第一类项目的第八概率；
所述根据所述第六概率，确定该用户属性信息样本的最终测试结果，包括：根据所述第六概率和所述第八概率，确定该用户属性信息样本的最终测试结果。
通过得到预测模型的准确率，能够实现对包括第一子模型、第二子模型、第三子模型和第四子模型的预测模型的评估。
根据本公开的一方面，提供了一种项目分类装置，包括：
获取模块，用于获取目标用户的用户属性信息；
第一预测模块，用于将所述用户属性信息输入预测模型的第一子模型，经由所述第一子模型输出所述用户属性信息属于第一类项目的第一概率；
第一确定模块，用于根据所述第一概率，确定初步预测结果；
第二预测模块，用于若所述初步预测结果为所述第一类项目，则将所述用户属性信息输入所述预测模型的第二子模型，经由所述第二子模型输出所述用户属性信息属于所述第一类项目的第二概率，其中，所述第二子模型是根据由所述第一子模型正确分类的用户属性信息样本训练的；
第二确定模块，用于根据所述第二概率，确定与所述用户属性信息对应的项目类别。
在一种可能的实现方式中，
所述装置还包括：第三预测模块，用于将所述用户属性信息输入所述预测模型的第三子模型，经由所述第三子模型输出所述用户属性信息属于所述第一类项目的第三概率；
所述第一确定模块用于：根据所述第一概率和所述第三概率，确定初步预测结果。
在一种可能的实现方式中，
所述装置还包括：第四预测模块，用于若所述初步预测结果为所述第一类项目，则将所述用户属性信息输入所述预测模型的第四子模型，经由所述第四子模型输出所述用户属性信息属于所述第一类项目的第四概率，其中，所述第四子模型是根据由所述第三子模型正确分类的用户属性信息样本训练的；
所述第二确定模块用于：根据所述第二概率和所述第四概率，确定与所述用户属性信息对应的项目类别。
在一种可能的实现方式中，所述第一确定模块用于：
若所述第一概率与所述第三概率的加权和大于或等于第一阈值，则确定初步预测结果为所述第一类项目；
和/或，
若所述第一概率与所述第三概率的加权和小于所述第一阈值，则确定所述初步预测结果为第二类项目。
在一种可能的实现方式中，所述装置还包括：
第三确定模块，用于若所述初步预测结果为第二类项目，则确定与所述用户属性信息对应的项目类别为所述第二类项目。
在一种可能的实现方式中，所述第二确定模块用于：
若所述第二概率与所述第四概率的加权和大于或等于第二阈值，则确定与所述用户属性信息对应的项目类别为所述第一类项目；
和/或，
若所述第二概率与所述第四概率的加权和小于所述第二阈值，则确定与所述用户属性信息对应的项目类别为第二类项目。
在一种可能的实现方式中，所述装置还包括第一训练模块，所述第一训练模块用于：
采用第一集合训练所述第一子模型，所述第一集合包含第一预设数量的用户属性信息样本；
将第二集合中由所述第一子模型正确分类的用户属性信息样本划分至第二子集合，所述第二集合包含第二预设数量的用户属性信息样本；
采用所述第二子集合训练所述第二子模型。
在一种可能的实现方式中，所述装置还包括第二训练模块，所述第二训练模块用于：
采用第二集合训练所述第三子模型，所述第二集合包含第二预设数量的用户属性信息样本；
将第一集合中由所述第三子模型正确分类的用户属性信息样本划分至第一子集合，所述第一集合包含第一预设数量的用户属性信息样本；
采用所述第一子集合训练所述第四子模型。
在一种可能的实现方式中，所述装置还包括测试模块，所述测试模块用于：
将第三预设数量的用户属性信息样本划分至第三集合；
对于所述第三集合中的任一用户属性信息样本，将该用户属性信息样本输入所述第一子模型，经由所述第一子模型输出该用户属性信息样本属于所述第一类项目的第五概率；
根据所述第五概率，确定该用户属性信息样本的初步测试结果；
若所述初步测试结果为所述第一类项目，则将该用户属性信息样本输入所述第二子模型，经由所述第二子模型输出该用户属性信息样本属于所述第一类项目的第六概率；和/或，若所述初步测试结果为第二类项目，则确定该用户属性信息样本的最终测试结果为所述第二类项目；
根据所述第六概率，确定该用户属性信息样本的最终测试结果；
根据所述第三集合中的各用户属性信息样本的最终测试结果，确定所述预测模型的准确率。
在一种可能的实现方式中，所述测试模块还用于：
对于所述第三集合中的任一用户属性信息样本，将该用户属性信息样本输入第三子模型，经由所述第三子模型输出该用户属性信息样本属于所述第一类项目的第七概率；
根据所述第五概率和所述第七概率，确定该用户属性信息样本的初步测试结果。
在一种可能的实现方式中，所述测试模块还用于：
将该用户属性信息样本输入第四子模型，经由所述第四子模型输出该用户属性信息样本属于所述第一类项目的第八概率；
根据所述第六概率和所述第八概率，确定该用户属性信息样本的最终测试结果。
根据本公开的一方面，提供了一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，通过获取目标用户的用户属性信息，将所述用户属性信息输入预测模型的第一子模型，经由所述第一子模型输出所述用户属性信息属于第一类项目的第一概率，根据所述第一概率，确定初步预测结果，若所述初步预测结果为所述第一类项目，则将所述用户属性信息输入所述预测模型的第二子模型，经由所述第二子模型输出所述用户属性信息属于所述第一类项目的第二概率，其中，所述第二子模型是根据由所述第一子模型正确分类的用户属性信息样本训练的，并根据所述第二概率，确定与所述用户属性信息对应的项目类别，由此能够提高针对目标用户进行项目分类的准确性。
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，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
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，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出本公开实施例提供的项目分类方法的流程图。
图2示出本公开实施例提供的项目分类装置的框图。
图3示出本公开实施例提供的一种电子设备800的框图。
图4示出本公开实施例提供的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种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：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
在本公开实施例中，通过获取目标用户的用户属性信息，将所述用户属性信息输入预测模型的第一子模型，经由所述第一子模型输出所述用户属性信息属于第一类项目的第一概率，根据所述第一概率，确定初步预测结果，若所述初步预测结果为所述第一类项目，则将所述用户属性信息输入所述预测模型的第二子模型，经由所述第二子模型输出所述用户属性信息属于所述第一类项目的第二概率，其中，所述第二子模型是根据由所述第一子模型正确分类的用户属性信息样本训练的，并根据所述第二概率，确定与所述用户属性信息对应的项目类别，由此能够提高针对目标用户进行项目分类的准确性。
图1示出本公开实施例提供的项目分类方法的流程图。所述项目分类方法的执行主体可以是项目匹配装置。例如，所述项目分类方法可以由终端设备或服务器或其它处理设备执行。其中，终端设备可以是用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中，所述项目分类方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示，所述项目分类方法包括步骤S11至步骤S15。
在步骤S11中，获取目标用户的用户属性信息。
在一种可能的实现方式中，可以获取项目匹配请求对应的目标用户的用户属性信息。其中，目标用户可以表示项目匹配请求对应的用户，即，目标用户可以表示需要进行项目匹配的对象。
在本公开实施例中，所述用户属性信息可以包括所述目标用户的生理生化指标数据。目标用户的生理生化指标数据包括对目标用户的人体进行检测或检查得到的生理指标和/或生化指标。例如，目标用户的生理生化指标数据可以包括目标用户的体温、心率、血压、血红蛋白、血脂、肺活量、生长激素血浓度、促甲状腺素等。
在一种可能的实现方式中，所述用户属性信息还可以包括体检数据中除生理生化指标数据以外的数据，例如体重、身高等。
在一种可能的实现方式中，所述用户属性信息还包括用于反映所述目标用户的健康状况的记录。例如，用于反映所述目标用户的健康状况的记录可以包括目标用户的健康史数据和生活习惯数据中的一种或多种。例如，健康史数据可以包括目标用户本人的健康史数据，还可以包括目标用户的家族的健康史数据，其中，健康史数据可以包括患病历史数据；生活习惯数据可以包括是否饮酒、是否抽烟、是否熬夜、膳食习惯等数据。
通过至少基于目标用户的生理生化指标数据以及用于反映所述目标用户的健康状况的记录，由此有助于更准确地确定与目标用户匹配的项目类别。
在本公开实施例中，在将所述用户属性信息输入预测模型的第一子模型之前，可以对所述用户属性信息进行预处理，得到预处理后的用户属性信息；所述将所述用户属性信息输入预测模型的第一子模型，可以为：将所述预处理后的用户属性信息输入预测模型的第一子模型；所述将所述用户属性信息输入所述预测模型的第二子模型，可以为：将所述预处理后的用户属性信息输入所述预测模型的第二子模型。
在一种可能的实现方式中，所述对所述用户属性信息进行预处理，得到预处理后的用户属性信息，包括：对所述用户属性信息进行归一化处理、离散化处理、二值化处理和重构处理中的一种或多种处理，得到预处理后的用户属性信息，其中，对所述用户属性信息进行重构处理表示根据所述用户属性信息中的多项数据处理得到新的数据。
作为该实现方式的一个示例，可以根据
Figure BDA0002444862090000101
对所述用户属性信息中的一项或多项数据进行归一化处理，其中，xu表示所述用户属性信息中的数据，xmin表示该项数据对应的最小预设值，xmax表示该项数据对应的最大预设值，其中，该项数据对应的最小预设值和该项数据对应的最大预设值可以根据大量用户的历史数据确定。例如，可以根据
Figure BDA0002444862090000102
对所述用户属性信息中的体重进行归一化处理，此时，xu表示所述用户属性信息中的体重，xmin表示最小预设体重，xmax表示最大预设体重，其中，最小预设体重在和最大预设体重在可以根据大量用户的历史体重数据确定。
作为该实现方式的一个示例，可以对所述用户属性信息中的连续型的数据进行离散化处理，或者可以对所述用户属性信息中数据量较大的数据进行离散化处理，以降低后续处理的计算量。例如，可以将所述用户属性信息中的心率进行离散化处理。
在该实现方式中，可以对所述用户属性信息中的两项以上数据进行重构处理，得到新的数据。例如，可以根据所述用户属性信息中的体重和身高进行重构处理，得到所述目标用户的身体质量指数(BMI，Body Mass Index)。
在该实现方式中，通过对所述用户属性信息进行归一化处理、离散化处理、二值化处理和重构处理中的一种或多种处理，得到预处理后的用户属性信息，由此基于预处理后的用户属性信息进行处理，有助于提高确定与所述目标用户匹配的项目类别的效率，并有助于提高所确定的与所述目标用户匹配的项目类别的准确性。
在步骤S12中，将所述用户属性信息输入预测模型的第一子模型，经由所述第一子模型输出所述用户属性信息属于第一类项目的第一概率。
其中，第一概率表示第一子模型输出的所述用户属性信息属于第一类项目的概率。
在本公开实施例中，预测模型包括第一子模型和第二子模型。第一子模型和第二子模型可以均为二分类模型，均用于预测所述用户属性信息属于第一类项目还是第二类项目。例如，第一子模型和第二子模型的输入可以均为预处理后的用户属性信息，输出可以均为所述用户属性信息属于所述第一类项目的概率。当然，第一子模型和第二子模型的输出也可以均为所述用户属性信息属于所述第二类项目的概率。
在本公开实施例中，项目可以表示与健康相关的项目。例如，项目可以包括健康管理项目、运动项目、膳食项目、体检项目和保险项目等中的一种或多种。其中，健康管理项目可以表示对个人的健康危险因素进行全面管理的项目，健康管理项目可以包括睡眠管理信息、膳食管理信息、体重管理信息、运动计划信息等中的一种或多种信息；运动项目可以包括运动计划信息；膳食项目可以包括膳食计划信息。例如，若项目包括健康管理项目，则本公开实施例可以帮助目标用户确定适合其的健康管理项目；若项目为体检项目，则本公开实施例可以帮助目标用户确定适合其的体检项目；若项目为保险项目，则本公开实施例可以帮助目标用户(例如投保人)确定与其匹配的保险项目类别，或者可以辅助核保人员确定与投保人匹配的保险项目(例如第一类项目为标准保险，第二类项目为非标准保险)。
在步骤S13中，根据所述第一概率，确定初步预测结果。
在一种可能的实现方式中，若所述第一概率大于或等于第三阈值，则确定初步预测结果为所述第一类项目；和/或，若所述第一概率小于所述第三阈值，则确定所述初步预测结果为第二类项目。
在一种可能的实现方式中，在所述获取目标用户的用户属性信息之后，在所述根据所述第一概率，确定初步预测结果之前，所述方法还包括：将所述用户属性信息输入所述预测模型的第三子模型，经由所述第三子模型输出所述用户属性信息属于所述第一类项目的第三概率；所述根据所述第一概率，确定初步预测结果，包括：根据所述第一概率和所述第三概率，确定初步预测结果。
其中，第三概率表示第三子模型输出的所述用户属性信息属于第一类项目的概率。
在该实现方式中，预测模型还可以包括第三子模型，第三子模型可以为二分类模型，可以用于预测所述用户属性信息属于第一类项目还是第二类项目。作为该实现方式的一个示例，第三子模型的输入可以为预处理后的用户属性信息，输出可以为所述用户属性信息属于所述第一类项目的概率。当然，第三子模型的输出也可以为所述用户属性信息属于所述第二类项目的概率。
在该实现方式中，通过结合第三子模型的预测结果，确定初步预测结果，能够提高所确定的初步预测结果的准确性。
在该实现方式中，可以根据第一概率和第三概率的平均值或者加权和等，确定初步预测结果。其中，第一子模型和第三子模型对应的初步预测结果可以为第一类项目或者第二类项目。
作为该实现方式的一个示例，所述根据所述第一概率和所述第三概率，确定初步预测结果，包括：若所述第一概率与所述第三概率的加权和大于或等于第一阈值，则确定初步预测结果为所述第一类项目；和/或，若所述第一概率与所述第三概率的加权和小于所述第一阈值，则确定所述初步预测结果为第二类项目。
在该示例中，第一概率对应的权重、第三概率对应的权重和第一阈值可以根据经验值或者实际应用场景需求确定。在一个例子中，第一概率对应的权重、第三概率对应的权重和第一阈值可以均为0.5。
在该示例中，通过根据第一概率与第三概率的加权和确定第一子模型和第三子模型对应的初步预测结果，能够提高所确定的初步预测结果的准确性。
在一种可能的实现方式中，在确定初步预测结果之后，所述方法还包括：若所述初步预测结果为所述第二类项目，则确定与所述用户属性信息对应的项目类别为所述第二类项目。
在该实现方式中，若初步预测结果为第二类项目，则可以直接确定与所述用户属性信息对应的项目类别为所述第二类项目；若初步预测结果为第一类项目，则可以继续通过第二子模型预测用户属性信息属于第一类项目的概率，由此能够提高第二类项目的召回率。
在步骤S14中，若所述初步预测结果为所述第一类项目，则将所述用户属性信息输入所述预测模型的第二子模型，经由所述第二子模型输出所述用户属性信息属于所述第一类项目的第二概率，其中，所述第二子模型是根据由所述第一子模型正确分类的用户属性信息样本训练的。
其中，第二概率表示第二子模型输出的所述用户属性信息属于第一类项目的概率。
在步骤S15中，根据所述第二概率，确定与所述用户属性信息对应的项目类别。
在一种可能的实现方式中，若所述第二概率大于或等于第四阈值，则确定与所述用户属性信息对应的项目类别为所述第一类项目；和/或，若所述第二概率小于所述第四阈值，则确定与所述用户属性信息对应的项目类别为第二类项目。
在一种可能的实现方式中，在所述确定初步预测结果之后，在所述根据所述第二概率，确定与所述用户属性信息对应的项目类别之前，所述方法还包括：若所述初步预测结果为所述第一类项目，则将所述用户属性信息输入所述预测模型的第四子模型，经由所述第四子模型输出所述用户属性信息属于所述第一类项目的第四概率，其中，所述第四子模型是根据由所述第三子模型正确分类的用户属性信息样本训练的；所述根据所述第二概率，确定与所述用户属性信息对应的项目类别，包括：根据所述第二概率和所述第四概率，确定与所述用户属性信息对应的项目类别。
其中，第四概率表示第四子模型输出的所述用户属性信息属于第一类项目的概率。
在该实现方式中，预测模型还可以包括第四子模型，第四子模型可以为二分类模型，可以用于预测所述用户属性信息属于第一类项目还是第二类项目。作为该实现方式的一个示例，第四子模型的输入可以为预处理后的用户属性信息，输出可以为所述用户属性信息属于所述第一类项目的概率。当然，第四子模型的输出也可以为所述用户属性信息属于所述第二类项目的概率。
在该实现方式中，通过结合第四子模型的预测结果，确定与所述用户属性信息对应的项目类别，能够提高所确定的与所述用户属性信息对应的项目类别的准确性。
在该实现方式中，可以根据第二概率和第四概率的平均值或者加权和等，确定与所述用户属性信息对应的项目类别。其中，与所述用户属性信息对应的项目类别可以为第一类项目或者第二类项目。
作为该实现方式的一个示例，所述根据所述第二概率和所述第四概率，确定与所述用户属性信息对应的项目类别，包括：若所述第二概率与所述第四概率的加权和大于或等于第二阈值，则确定与所述用户属性信息对应的项目类别为所述第一类项目；和/或，若所述第二概率与所述第四概率的加权和小于所述第二阈值，则确定与所述用户属性信息对应的项目类别为第二类项目。
其中，第二阈值可以等于第一阈值，也可以不等于第一阈值。
在该示例中，第二概率对应的权重、第四概率对应的权重和第二阈值可以根据经验值或者实际应用场景需求确定。在一个例子中，第二概率对应的权重、第四概率对应的权重和第二阈值可以均为0.5。
在该示例中，通过根据第二概率与第四概率的加权和确定与所述用户属性信息对应的项目类别，能够提高所确定的与所述用户属性信息对应的项目类别的准确性。
在一种可能的实现方式中，在所述将所述用户属性信息输入预测模型的第一子模型之前，所述方法还包括：采用第一集合训练所述第一子模型，所述第一集合包含第一预设数量的用户属性信息样本；将第二集合中由所述第一子模型正确分类的用户属性信息样本划分至第二子集合，所述第二集合包含第二预设数量的用户属性信息样本；采用所述第二子集合训练所述第二子模型。
在该实现方式中，第一集合和第二集合可以用于训练预测模型。第二集合中的用户属性信息样本可以不与第一集合中的用户属性信息样本重复。第一集合与第二集合中的用户属性信息样本量可以相同，也可以不同。
在该实现方式中，一份用户属性信息样本对应于一个人体，即，一份用户属性信息样本是一个特定的人体的数据样本。一份用户属性信息样本中的数据可以包括特定人体的生理生化指标数据，还可以包括体检数据中除生理生化指标数据以外的数据，以及用于反映所述该特定人体的健康状况的记录(例如健康史数据和生活习惯数据)等。
在该实现方式中，可以对用户属性信息样本进行归一化处理、离散化处理、二值化处理和重构处理中的一种或多种处理，得到预处理后的用户属性信息样本。其中，对用户属性信息样本进行重构处理可以表示根据用户属性信息样本中的多项数据处理得到新的数据。
作为该实现方式的一个示例，可以先采用第一集合训练所述第一子模型，再采用所述第二集合训练所述第一子模型，或者，可以通过采用第一集合和第二集合训练所述第一子模型。
在该实现方式中，通过利用第二集合中由所述第一子模型正确分类的用户属性信息样本训练第二子模型，由此能够重复、充分地利用数据量有限的用户属性信息样本，能够提高用户属性信息样本的使用率，减小噪声数据对预测模型的干扰，从而能够提高对用户属性信息进行分类的准确性。
在一种可能的实现方式中，在所述将所述用户属性信息输入预测模型的第一子模型之前，所述方法还包括：采用第一集合训练所述第一子模型，所述第一集合包含第一预设数量的用户属性信息样本；将第二集合中由所述第一子模型正确分类的用户属性信息样本划分至第二子集合，所述第二集合包含第二预设数量的用户属性信息样本；采用所述第二子集合训练所述第二子模型。
作为该实现方式的一个示例，可以先采用第二集合训练所述第三子模型，再采用所述第一集合训练所述第三子模型，或者，可以通过采用第二集合和第一集合训练所述第三子模型。
通过利用第一集合中被所述第三子模型正确分类的用户属性信息样本训练第四子模型，由此能够重复、充分地利用数据量有限的用户属性信息样本，能够提高用户属性信息样本的使用率，减小噪声数据对预测模型的干扰，从而能够提高对用户属性信息进行分类的准确性。
在一种可能的实现方式中，所述方法还包括：将第三预设数量的用户属性信息样本划分至第三集合；对于所述第三集合中的任一用户属性信息样本，将该用户属性信息样本输入所述第一子模型，经由所述第一子模型输出该用户属性信息样本属于所述第一类项目的第五概率；根据所述第五概率，确定该用户属性信息样本的初步测试结果；若所述初步测试结果为所述第一类项目，则将该用户属性信息样本输入所述第二子模型，经由所述第二子模型输出该用户属性信息样本属于所述第一类项目的第六概率；和/或，若所述初步测试结果为第二类项目，则确定该用户属性信息样本的最终测试结果为所述第二类项目；根据所述第六概率，确定该用户属性信息样本的最终测试结果；根据所述第三集合中的各用户属性信息样本的最终测试结果，确定所述预测模型的准确率。
在该实现方式中，第三集合可以用于测试预测模型。第三集合与第一集合或第二集合中的用户属性信息样本量可以相同，也可以不同。在一个示例中，可以将用户属性信息样本进行三等分，得到第一集合、第二集合和第三集合。
在该实现方式中，通过得到预测模型的准确率，能够实现对包括第一子模型和第二子模型的预测模型的评估。
作为该实现方式的一个示例，在所述将第三预设数量的用户属性信息样本划分至第三集合之后，在所述根据所述第五概率，确定该用户属性信息样本的初步测试结果之前，所述方法还包括：对于所述第三集合中的任一用户属性信息样本，将该用户属性信息样本输入第三子模型，经由所述第三子模型输出该用户属性信息样本属于所述第一类项目的第七概率；所述根据所述第五概率，确定该用户属性信息样本的初步测试结果，包括：根据所述第五概率和所述第七概率，确定该用户属性信息样本的初步测试结果。
根据该示例，通过得到预测模型的准确率，能够实现对包括第一子模型、第二子模型和第三子模型的预测模型的评估。
在一个例子中，在所述确定该用户属性信息样本的初步测试结果之后，在所述根据所述第六概率，确定该用户属性信息样本的最终测试结果之前，所述方法还包括：将该用户属性信息样本输入第四子模型，经由所述第四子模型输出该用户属性信息样本属于所述第一类项目的第八概率；所述根据所述第六概率，确定该用户属性信息样本的最终测试结果，包括：根据所述第六概率和所述第八概率，确定该用户属性信息样本的最终测试结果。
根据这个例子，通过得到预测模型的准确率，能够实现对包括第一子模型、第二子模型、第三子模型和第四子模型的预测模型的评估。
在本公开实施例中，通过获取目标用户的用户属性信息，利用预测模型对所述用户属性信息进行预测，以确定与所述用户属性信息对应的项目类别，由此能够提高基于目标用户的用户属性信息确定与目标用户匹配的项目的准确性，从而能够快速、客观、准确地为目标用户提供与其匹配的项目的信息。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了项目分类装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种项目分类方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图2示出本公开实施例提供的项目分类装置的框图。如图2所示，所述项目分类装置包括：获取模块21，用于获取目标用户的用户属性信息；第一预测模块22，用于将所述用户属性信息输入预测模型的第一子模型，经由所述第一子模型输出所述用户属性信息属于第一类项目的第一概率；第一确定模块23，用于根据所述第一概率，确定初步预测结果；第二预测模块24，用于若所述初步预测结果为所述第一类项目，则将所述用户属性信息输入所述预测模型的第二子模型，经由所述第二子模型输出所述用户属性信息属于所述第一类项目的第二概率，其中，所述第二子模型是根据由所述第一子模型正确分类的用户属性信息样本训练的；第二确定模块25，用于根据所述第二概率，确定与所述用户属性信息对应的项目类别。
在一种可能的实现方式中，所述装置还包括：第三预测模块，用于将所述用户属性信息输入所述预测模型的第三子模型，经由所述第三子模型输出所述用户属性信息属于所述第一类项目的第三概率；所述第一确定模块23用于：根据所述第一概率和所述第三概率，确定初步预测结果。
在一种可能的实现方式中，所述装置还包括：第四预测模块，用于若所述初步预测结果为所述第一类项目，则将所述用户属性信息输入所述预测模型的第四子模型，经由所述第四子模型输出所述用户属性信息属于所述第一类项目的第四概率，其中，所述第四子模型是根据由所述第三子模型正确分类的用户属性信息样本训练的；所述第二确定模块25用于：根据所述第二概率和所述第四概率，确定与所述用户属性信息对应的项目类别。
在一种可能的实现方式中，所述第一确定模块23用于：若所述第一概率与所述第三概率的加权和大于或等于第一阈值，则确定初步预测结果为所述第一类项目；和/或，若所述第一概率与所述第三概率的加权和小于所述第一阈值，则确定所述初步预测结果为第二类项目。
在一种可能的实现方式中，所述装置还包括：第三确定模块，用于若所述初步预测结果为第二类项目，则确定与所述用户属性信息对应的项目类别为所述第二类项目。
在一种可能的实现方式中，所述第二确定模块25用于：若所述第二概率与所述第四概率的加权和大于或等于第二阈值，则确定与所述用户属性信息对应的项目类别为所述第一类项目；和/或，若所述第二概率与所述第四概率的加权和小于所述第二阈值，则确定与所述用户属性信息对应的项目类别为第二类项目。
在一种可能的实现方式中，所述装置还包括第一训练模块，所述第一训练模块用于：采用第一集合训练所述第一子模型，所述第一集合包含第一预设数量的用户属性信息样本；将第二集合中由所述第一子模型正确分类的用户属性信息样本划分至第二子集合，所述第二集合包含第二预设数量的用户属性信息样本；采用所述第二子集合训练所述第二子模型。
在一种可能的实现方式中，所述装置还包括第二训练模块，所述第二训练模块用于：采用第二集合训练所述第三子模型，所述第二集合包含第二预设数量的用户属性信息样本；将第一集合中由所述第三子模型正确分类的用户属性信息样本划分至第一子集合，所述第一集合包含第一预设数量的用户属性信息样本；采用所述第一子集合训练所述第四子模型。
在一种可能的实现方式中，所述装置还包括测试模块，所述测试模块用于：将第三预设数量的用户属性信息样本划分至第三集合；对于所述第三集合中的任一用户属性信息样本，将该用户属性信息样本输入所述第一子模型，经由所述第一子模型输出该用户属性信息样本属于所述第一类项目的第五概率；根据所述第五概率，确定该用户属性信息样本的初步测试结果；若所述初步测试结果为所述第一类项目，则将该用户属性信息样本输入所述第二子模型，经由所述第二子模型输出该用户属性信息样本属于所述第一类项目的第六概率；和/或，若所述初步测试结果为第二类项目，则确定该用户属性信息样本的最终测试结果为所述第二类项目；根据所述第六概率，确定该用户属性信息样本的最终测试结果；根据所述第三集合中的各用户属性信息样本的最终测试结果，确定所述预测模型的准确率。
在一种可能的实现方式中，所述测试模块还用于：对于所述第三集合中的任一用户属性信息样本，将该用户属性信息样本输入第三子模型，经由所述第三子模型输出该用户属性信息样本属于所述第一类项目的第七概率；根据所述第五概率和所述第七概率，确定该用户属性信息样本的初步测试结果。
在一种可能的实现方式中，所述测试模块还用于：将该用户属性信息样本输入第四子模型，经由所述第四子模型输出该用户属性信息样本属于所述第一类项目的第八概率；根据所述第六概率和所述第八概率，确定该用户属性信息样本的最终测试结果。
在本公开实施例中，通过获取目标用户的用户属性信息，将所述用户属性信息输入预测模型的第一子模型，经由所述第一子模型输出所述用户属性信息属于第一类项目的第一概率，根据所述第一概率，确定初步预测结果，若所述初步预测结果为所述第一类项目，则将所述用户属性信息输入所述预测模型的第二子模型，经由所述第二子模型输出所述用户属性信息属于所述第一类项目的第二概率，其中，所述第二子模型是根据由所述第一子模型正确分类的用户属性信息样本训练的，并根据所述第二概率，确定与所述用户属性信息对应的项目类别，由此能够提高针对目标用户进行项目分类的准确性。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。其中，所述计算机可读存储介质可以是非易失性计算机可读存储介质，或者可以是易失性计算机可读存储介质。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的项目分类方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的项目分类方法的操作。
本公开实施例还提供一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图3示出本公开实施例提供的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图3，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如Wi-Fi、2G、3G、4G/LTE、5G或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图4示出本公开实施例提供的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图4，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows
Figure BDA0002444862090000211
Mac OS
Figure BDA0002444862090000212
或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (14)

1.一种项目分类方法，其特征在于，包括：
获取目标用户的用户属性信息；
将所述用户属性信息输入预测模型的第一子模型，经由所述第一子模型输出所述用户属性信息属于第一类项目的第一概率；
根据所述第一概率，确定初步预测结果；
若所述初步预测结果为所述第一类项目，则将所述用户属性信息输入所述预测模型的第二子模型，经由所述第二子模型输出所述用户属性信息属于所述第一类项目的第二概率，其中，所述第二子模型是根据由所述第一子模型正确分类的用户属性信息样本训练的；
根据所述第二概率，确定与所述用户属性信息对应的项目类别。
2.根据权利要求1所述的方法，其特征在于，
在所述获取目标用户的用户属性信息之后，在所述根据所述第一概率，确定初步预测结果之前，所述方法还包括：将所述用户属性信息输入所述预测模型的第三子模型，经由所述第三子模型输出所述用户属性信息属于所述第一类项目的第三概率；
所述根据所述第一概率，确定初步预测结果，包括：根据所述第一概率和所述第三概率，确定初步预测结果。
3.根据权利要求2所述的方法，其特征在于，
在所述确定初步预测结果之后，在所述根据所述第二概率，确定与所述用户属性信息对应的项目类别之前，所述方法还包括：若所述初步预测结果为所述第一类项目，则将所述用户属性信息输入所述预测模型的第四子模型，经由所述第四子模型输出所述用户属性信息属于所述第一类项目的第四概率，其中，所述第四子模型是根据由所述第三子模型正确分类的用户属性信息样本训练的；
所述根据所述第二概率，确定与所述用户属性信息对应的项目类别，包括：根据所述第二概率和所述第四概率，确定与所述用户属性信息对应的项目类别。
4.根据权利要求2或3所述的方法，其特征在于，所述根据所述第一概率和所述第三概率，确定初步预测结果，包括：
若所述第一概率与所述第三概率的加权和大于或等于第一阈值，则确定初步预测结果为所述第一类项目；
和/或，
若所述第一概率与所述第三概率的加权和小于所述第一阈值，则确定所述初步预测结果为第二类项目。
5.根据权利要求1至4中任意一项所述的方法，其特征在于，在所述确定初步预测结果之后，所述方法还包括：
若所述初步预测结果为第二类项目，则确定与所述用户属性信息对应的项目类别为所述第二类项目。
6.根据权利要求3所述的方法，其特征在于，所述根据所述第二概率和所述第四概率，确定与所述用户属性信息对应的项目类别，包括：
若所述第二概率与所述第四概率的加权和大于或等于第二阈值，则确定与所述用户属性信息对应的项目类别为所述第一类项目；
和/或，
若所述第二概率与所述第四概率的加权和小于所述第二阈值，则确定与所述用户属性信息对应的项目类别为第二类项目。
7.根据权利要求1至6中任意一项所述的方法，其特征在于，在所述将所述用户属性信息输入预测模型的第一子模型之前，所述方法还包括：
采用第一集合训练所述第一子模型，所述第一集合包含第一预设数量的用户属性信息样本；
将第二集合中由所述第一子模型正确分类的用户属性信息样本划分至第二子集合，所述第二集合包含第二预设数量的用户属性信息样本；
采用所述第二子集合训练所述第二子模型。
8.根据权利要求3所述的方法，其特征在于，在所述将所述用户属性信息输入所述预测模型的第三子模型之前，所述方法还包括：
采用第二集合训练所述第三子模型，所述第二集合包含第二预设数量的用户属性信息样本；
将第一集合中由所述第三子模型正确分类的用户属性信息样本划分至第一子集合，所述第一集合包含第一预设数量的用户属性信息样本；
采用所述第一子集合训练所述第四子模型。
9.根据权利要求7或8所述的方法，其特征在于，所述方法还包括：
将第三预设数量的用户属性信息样本划分至第三集合；
对于所述第三集合中的任一用户属性信息样本，将该用户属性信息样本输入所述第一子模型，经由所述第一子模型输出该用户属性信息样本属于所述第一类项目的第五概率；
根据所述第五概率，确定该用户属性信息样本的初步测试结果；
若所述初步测试结果为所述第一类项目，则将该用户属性信息样本输入所述第二子模型，经由所述第二子模型输出该用户属性信息样本属于所述第一类项目的第六概率；和/或，若所述初步测试结果为第二类项目，则确定该用户属性信息样本的最终测试结果为所述第二类项目；
根据所述第六概率，确定该用户属性信息样本的最终测试结果；
根据所述第三集合中的各用户属性信息样本的最终测试结果，确定所述预测模型的准确率。
10.根据权利要求9所述的方法，其特征在于，
在所述将第三预设数量的用户属性信息样本划分至第三集合之后，在所述根据所述第五概率，确定该用户属性信息样本的初步测试结果之前，所述方法还包括：对于所述第三集合中的任一用户属性信息样本，将该用户属性信息样本输入第三子模型，经由所述第三子模型输出该用户属性信息样本属于所述第一类项目的第七概率；
所述根据所述第五概率，确定该用户属性信息样本的初步测试结果，包括：根据所述第五概率和所述第七概率，确定该用户属性信息样本的初步测试结果。
11.根据权利要求10所述的方法，其特征在于，
在所述确定该用户属性信息样本的初步测试结果之后，在所述根据所述第六概率，确定该用户属性信息样本的最终测试结果之前，所述方法还包括：将该用户属性信息样本输入第四子模型，经由所述第四子模型输出该用户属性信息样本属于所述第一类项目的第八概率；
所述根据所述第六概率，确定该用户属性信息样本的最终测试结果，包括：根据所述第六概率和所述第八概率，确定该用户属性信息样本的最终测试结果。
12.一种项目分类装置，其特征在于，包括：
获取模块，用于获取目标用户的用户属性信息；
第一预测模块，用于将所述用户属性信息输入预测模型的第一子模型，经由所述第一子模型输出所述用户属性信息属于第一类项目的第一概率；
第一确定模块，用于根据所述第一概率，确定初步预测结果；
第二预测模块，用于若所述初步预测结果为所述第一类项目，则将所述用户属性信息输入所述预测模型的第二子模型，经由所述第二子模型输出所述用户属性信息属于所述第一类项目的第二概率，其中，所述第二子模型是根据由所述第一子模型正确分类的用户属性信息样本训练的；
第二确定模块，用于根据所述第二概率，确定与所述用户属性信息对应的项目类别。
13.一种电子设备，其特征在于，包括：
一个或多个处理器；
用于存储可执行指令的存储器；
其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行权利要求1至11中任意一项所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至11中任意一项所述的方法。
CN202010276177.XA 2020-04-09 2020-04-09 项目分类方法及装置、电子设备和存储介质 Withdrawn CN111489260A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010276177.XA CN111489260A (zh) 2020-04-09 2020-04-09 项目分类方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010276177.XA CN111489260A (zh) 2020-04-09 2020-04-09 项目分类方法及装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN111489260A true CN111489260A (zh) 2020-08-04

Family

ID=71812781

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010276177.XA Withdrawn CN111489260A (zh) 2020-04-09 2020-04-09 项目分类方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111489260A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298377A (zh) * 2021-05-21 2021-08-24 建信金融科技有限责任公司 企业研发费用加计扣除中项目筛查的方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298377A (zh) * 2021-05-21 2021-08-24 建信金融科技有限责任公司 企业研发费用加计扣除中项目筛查的方法及装置
CN113298377B (zh) * 2021-05-21 2023-06-16 建信金融科技有限责任公司 企业研发费用加计扣除中项目筛查的方法及装置

Similar Documents

Publication Publication Date Title
KR102363794B1 (ko) 정보 제공 방법 및 이를 지원하는 전자 장치
CN111310764A (zh) 网络训练、图像处理方法及装置、电子设备和存储介质
CN111105852A (zh) 一种电子病历推荐方法、装置、终端及存储介质
CN111539443A (zh) 一种图像识别模型训练方法及装置、存储介质
CN110175223A (zh) 一种实现问题生成的方法及装置
CN113012816B (zh) 脑分区风险预测方法及装置、电子设备和存储介质
WO2018120447A1 (zh) 一种医案信息的处理方法、装置和设备
CN111435432A (zh) 网络优化方法及装置、图像处理方法及装置、存储介质
WO2018214663A1 (zh) 一种基于语音的数据处理方法、装置和电子设备
EP3734472A1 (en) Method and device for text processing
CN109862421A (zh) 一种视频信息识别方法、装置、电子设备及存储介质
JP2022510660A (ja) データ処理方法及びその装置、電子機器、並びに記憶媒体
CN106656746A (zh) 信息输出方法及装置
CN111462910A (zh) 项目的匹配方法及装置、电子设备和存储介质
CN110634570A (zh) 一种诊断仿真方法及相关装置
CN111489260A (zh) 项目分类方法及装置、电子设备和存储介质
CN112768064A (zh) 疾病预测装置及设备、症状信息处理方法、装置及设备
CN111524019A (zh) 项目的匹配方法及装置、电子设备和存储介质
CN109145151B (zh) 一种视频的情感分类获取方法及装置
CN111444813A (zh) 目标对象的属性分类的识别方法、装置、设备及存储介质
CN116541238A (zh) 日志文件采集方法、装置、电子设备及可读存储介质
CN111984765A (zh) 知识库问答过程关系检测方法及装置
KR102456338B1 (ko) 아밀로이드 베타 축적 예측 장치 및 방법
CN115661619A (zh) 网络模型训练、超声图像质量评估方法及装置、电子设备
CN107301188B (zh) 一种获取用户兴趣的方法及电子设备

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200804

WW01 Invention patent application withdrawn after publication