CN112434616A - 一种用户分类方法、装置、存储介质及电子设备 - Google Patents
一种用户分类方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112434616A CN112434616A CN202011350082.4A CN202011350082A CN112434616A CN 112434616 A CN112434616 A CN 112434616A CN 202011350082 A CN202011350082 A CN 202011350082A CN 112434616 A CN112434616 A CN 112434616A
- Authority
- CN
- China
- Prior art keywords
- module
- sequence
- user
- face image
- index information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 230000000875 corresponding effect Effects 0.000 claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 230000002596 correlated effect Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000013145 classification model Methods 0.000 abstract description 20
- 230000000694 effects Effects 0.000 abstract description 6
- 238000011161 development Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 210000000697 sensory organ Anatomy 0.000 description 3
- 238000012821 model calculation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请提出一种用户分类方法、装置、存储介质及电子设备中，首先将目标人脸图像作为第一神经网络模型的输入，获得第一特征序列，将第一特征序列与第二特征序列进行合并，获得总序列；然后将总序列作为第二机器学习模型的输入，获得用户的类别。因为，总序列即包含目标人脸图像对应的特征信息，又包含用户的指标信息，将二者结合在一起，通过总序列对用户进行分类，可以将目标人脸图像中的特征信息与用户的指标信息很好地进行关联，分类的准确度更高，第二机器学习模型相对于单一的分类模型效果更佳。同时仅需要开发一个分类模型，不在需要到单一的分类模型，节省了分类模型开发的成本。
Description
技术领域
本申请涉及深度学习与机器学习领域，具体而言，涉及一种用户分类方法、装置、存储介质及电子设备。
背景技术
随着计算机科学的发展，深度学习收到计算机领域的钟爱。基于深度学习的神经网络模型、分类模型、识别模型等被广泛的应用。
目前，传统的分类模型都以单一模型针对单一任务进行建模，在生产环境中，该建模方式需耗费大量人力与算力对相似的任务进行重复建模。对于复杂的问题，传统模型的解决思路是将复杂问题分解为简单且相互独立的子问题来单独建模解决，然后再合并结果，从而得到最初复杂问题的结果。而生产环境中很多问题不能分解为一个一个独立的子问题，即使可以分解，各个子问题之间也存在较强的相关性。
发明内容
本申请的目的在于提供一种用户分类方法、装置、存储介质及电子设备，以至少部分改善上述问题。
为了实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供一种用户分类方法，所述方法包括：
将目标人脸图像作为第一神经网络模型的输入，获得第一特征序列；
其中，所述第一特征序列表征所述目标人脸图像所包含的特征信息；
将所述第一特征序列与第二特征序列进行合并，获得总序列；
其中，所述第二特征序列表征所述目标人脸图像对应的用户的指标信息；
将所述总序列作为第二机器学习模型的输入，获得所述用户的类别。
第二方面，本申请实施例提供一种用户分类装置，所述装置包括：
序列获取单元，用于将目标人脸图像作为第一神经网络模型的输入，获得第一特征序列；
其中，所述第一特征序列表征所述目标人脸图像所包含的特征信息；
所述序列获取单元还用于将所述第一特征序列与第二特征序列进行合并，获得总序列；
其中，所述第二特征序列表征所述目标人脸图像对应的用户的指标信息；
处理单元，用于将所述总序列作为第二机器学习模型的输入，获得所述用户的类别。
第三方面，本申请实施例提供一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的方法。
第四方面，本申请实施例提供一种电子设备，所述电子设备包括：处理器和存储器，所述存储器用于存储一个或多个程序；当所述一个或多个程序被所述处理器执行时，实现上述的方法。
相对于现有技术，本申请实施例所提供的一种用户分类方法、装置、存储介质及电子设备中，首先将目标人脸图像作为第一神经网络模型的输入，获得第一特征序列，将第一特征序列与第二特征序列进行合并，获得总序列；然后将总序列作为第二机器学习模型的输入，获得用户的类别。因为，总序列即包含目标人脸图像对应的特征信息，又包含用户的指标信息，将二者结合在一起，通过总序列对用户进行分类，可以将目标人脸图像中的特征信息与用户的指标信息很好地进行关联，分类的准确度更高，第二机器学习模型相对于单一的分类模型效果更佳。同时仅需要开发一个分类模型，不在需要到单一的分类模型，节省了分类模型开发的成本。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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它相关的附图。
图1为本申请实施例提供的电子设备的结构示意图；
图2为本申请实施例提供的用户分类方法的流程示意图；
图3为本申请实施例提供的用户分类方法的流程示意图之一；
图4为本申请实施例提供的用户分类方法的流程示意图之一；
图5为本申请实施例提供的完成对齐校正后的平均脸示意图；
图6为本申请实施例提供的用户分类方法的流程示意图之一；
图7为本申请实施例提供的S105的子步骤示意图；
图8为本申请实施例提供的第一神经网络模型的架构示意图；
图9为本申请实施例提供的第一模块、第二模块、第三模块以及第四模块的结构示意图；
图10为本申请实施例提供的用户分类装置的单元示意图。
图中：10-处理器；11-存储器；12-总线；13-通信接口；201-序列获取单元；202-处理单元。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本申请的描述中，需要说明的是，术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
目前，传统的分类模型都以单一模型针对单一任务进行建模，在生产环境中，该建模方式需耗费大量人力与算力对相似的任务进行重复建模。对于复杂的问题，传统模型的解决思路是将复杂问题分解为简单且相互独立的子问题来单独建模解决，然后再合并结果，从而得到最初复杂问题的结果。而生产环境中很多问题不能分解为一个一个独立的子问题，即使可以分解，各个子问题之间也存在较强的相关性。现有技术的分类模型存在以下问题：
第一点，每一次训练只能产生一个模型应对单一任务的问题；第二点，图像数据与结构化数据(录入的资料信息)需要分别建模进行分类，不同类别数据无法有效整合在一起进行使用的问题；第三点，相关任务之间对应模型计算之间不存在关联性，需要多个模型计算和增加了部署成本。
本申请实施例提供了一种电子设备，可以是计算机设备。请参照图1，电子设备的结构示意图。电子设备包括处理器10、存储器11、总线12。处理器10、存储器11通过总线12连接，处理器10用于执行存储器11中存储的可执行模块，例如计算机程序。
处理器10可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，用户分类方法的各步骤可以通过处理器10中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器10可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
存储器11可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
总线12可以是ISA(Industry Standard Architecture)总线、PCI(PeripheralComponent Interconnect)总线或EISA(Extended Industry Standard Architecture)总线等。图1中仅用一个双向箭头表示，但并不表示仅有一根总线12或一种类型的总线12。
存储器11用于存储程序，例如用户分类装置对应的程序。用户分类装置包括至少一个可以软件或固件(firmware)的形式存储于存储器11中或固化在电子设备的操作系统(operating system，OS)中的软件功能模块。处理器10在接收到执行指令后，执行所述程序以实现用户分类方法。
可能地，本申请实施例提供的电子设备还包括通信接口13。通信接口13通过总线与处理器10连接。
应当理解的是，图1所示的结构仅为电子设备的部分的结构示意图，电子设备还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
本发明实施例提供的一种用户分类方法，可以但不限于应用于图1所示的电子设备，具体的流程，请参考图2：
S103，将目标人脸图像作为第一神经网络模型的输入，获得第一特征序列。
其中，第一特征序列表征目标人脸图像所包含的特征信息。
具体地，不同的目标人物对应的人脸图像是不完全一致的，同一个目标人物在不同时期、不同地点对应的人脸图像也不完全一致。图像不一致，即表示图像具有不同的特征。第一神经网络模型在经过训练后，可以提取图像中的特征信息，从而生成包含目标人脸图像的特征信息的第一特征序列。
S106，将第一特征序列与第二特征序列进行合并，获得总序列。
其中，第二特征序列表征目标人脸图像对应的用户的指标信息。
指标信息可以为年龄、身高、收入、设备、性别、住址、户籍、工作、家庭等等。指标信息往往可以进行结构化存储，所以指标信息又可以称为结构化数据。
将目标人脸图像对应的用户的指标信息通过第二特征序列进行表述，然后将第二特征序列和第一特征序列进行合并。可选地，将第二特征序列与第一特征序列进行拼接，得到总序列。总序列即包含目标人脸图像对应的特征信息，又包含用户的指标信息。
S107，将总序列作为第二机器学习模型的输入，获得用户的类别。
本申请实施例中，将总序列作为第二机器学习模型的输入，用于对用户进行分类。不在以单独的形式，通过人脸图像或指标信息进行分类。因为，总序列即包含目标人脸图像对应的特征信息，又包含用户的指标信息，将二者结合在一起，通过总序列对用户进行分类，可以将目标人脸图像中的特征信息与用户的指标信息很好地进行关联，分类的准确度更高，第二机器学习模型相对于单一的分类模型效果更佳。同时仅需要开发一个分类模型，不在需要到单一的分类模型，节省了分类模型开发的成本。
可选地，第二机器学习模型选用xgboost机器学习模型。
综上所述，本申请实施例提供的用户分类方法中，首先将目标人脸图像作为第一神经网络模型的输入，获得第一特征序列，将第一特征序列与第二特征序列进行合并，获得总序列；然后将总序列作为第二机器学习模型的输入，获得用户的类别。因为，总序列即包含目标人脸图像对应的特征信息，又包含用户的指标信息，将二者结合在一起，通过总序列对用户进行分类，可以将目标人脸图像中的特征信息与用户的指标信息很好地进行关联，分类的准确度更高，第二机器学习模型相对于单一的分类模型效果更佳。同时仅需要开发一个分类模型，不在需要到单一的分类模型，节省了分类模型开发的成本。
在图2的基础上，关于如何获取目标人脸图像，本申请实施例还提供了一种可能的实现方式，请参考图3，用户分类方法还包括：
S101，对与用户匹配的图像进行人脸检测，将检测到的人脸图像确定为目标人脸图像。
可选地，首先从数据存储仓库中提取待分类的用户对应的完整的图像。其次，对完整的图像进行预处理，预处理包括进行图像数据标准化和进行图像HSV色彩标准化调整。然后，对预处理后的图像进行人脸检测，提取检测到的人脸图像。最后，将检测到的人脸图像确定为目标人脸图像。
在图3的基础上，关于对目标人脸图像的进一步处理，本申请实施例还提供了一种可能的实现方式，请参考图4，用户分类方法还包括：
S102，对目标人脸图像进行对齐校正。
具体地，因为拍摄角度或人物的肢体动作不同，使得拍摄的图像中，人脸并没有按照预设的规则或位置分布。即不同目标人脸图像中，五官的分布位置可以不同，不便于第一神经网络模型进行特征提取。可选地，将五官中的任意一个(例如有眼或左眼)作为基准参考图，基于基准参考物对其他的五官位置进行调整，从而完成人脸对齐，即完成对齐校正。
请参考图5，图5为本申请实施例提供的完成对齐校正后的平均脸示意图。
在图2的基础上，关于如何获取第二特征序列，本申请实施例还提供了一种可能的实现方式，请参考图6，用户分类方法还包括：
S104，获取用户的指标信息。
可选地，从存储指标信息的数据仓库中提取所需要的指标信息(结构化数据)，指标信息包括上文中的个人基本信息。
S105，依据指标信息生成第二特征序列。
具体地，将指标信息转化为第二特征序列。
在图6的基础上，关于如何将指标信息转化为第二特征序列，本申请实施例还提供了一种可能的实现方式，请参考图7，S105包括：
S105-1，对指标信息中所缺失的指标进行填补。
例如，当指标信息中对应的体重信息缺失，没有记录时，可以将体重信息填补为0，表示空缺；或者将体重信息填补为与该用户的年龄、身高、性别等与体重相关的因素相匹配的体重预估值，其他指标信息与此同理。
S105-2，对指标信息中异常的指标进行截断。
例如，身高信息的范围为(A-B)，当用户的身高信息为C，若C大于B，则对C进行截断，更正用户的身高信息为B，若C小于A，则对C进行截断，更正用户的身高信息为A，其他指标信息与此同理。
S105-3，对指标信息进行格式转换。
可选地，有一部分指标信息可能以非数值的格式进行存储，该部分指标信息不便于进行特征序列转换。故需要对该部分指标信息进行格式转换，转换为数值格式进行存储。
S105-4，依据指标信息中相互关联的指标生成联合维度特征，并将联合维度特征添加至指标信息中。
可选地，指标信息中的多个指标之间可以关联。例如用户性别男、年龄X、身高C、体重D以及居住地为S，可以将该用户的以上指标信息综合生一个联合维度特征，该联合维度特征就表示用户性别男、年龄X、身高C、体重D以及居住地为S。
当然地，联合维度特征中的关联指标的数量大于等于2，上例仅用于便于理解，并不对联合维度特征中的关联指标的数量进行限定。
S105-5，将添加联合维度特征后的指标信息转化为第二特征序列。
可选地，本申请实施例中，S105-1～S105-3的执行顺序可以调整，在此不做限定。
关于第一神经网络模型，本申请实施例还提供了一种可能的实现方式，请参考图8。
第一神经网络模型包括特征提取层、第一模块COVN1、第二模块COVN2、第三模块COVN3、第四模块COVN4、线性模块FC以及输出模块。
特征提取层的输入端input为第一神经网络模型的输入端，特征提取层连接于第一模块COVN1。
第一模块COVN1的输出端分别与第二模块COVN2、第三模块COVN3、第四模块COVN4以及线性模块FC连接。
第二模块COVN2的输出端分别与第三模块COVN3、第四模块COVN4以及线性模块FC连接。
第三模块COVN3的输出端分别与第四模块COVN4和线性模块FC连接。
第四模块COVN4的输出端与线性模块FC连接。
线性模块FC的输出端与输出模块连接。
可选地，请继续参考图8，特征提取层包括多个神经网络框架backbonei，(i＞1)，其中，backbone模块可以是如VGG、ResNet等网络框架，通过使用backbone模块进行更加具体与准确的图像特征信息的提取。
关于第一模块COVN1、第二模块COVN2、第三模块COVN3以及第四模块COVN4的架构，本申请实施例还提供了一种可能的实现方式，请参考图9，以上模块均包括两个重复的子单元，每一个子单元由conv为卷积层、bn为批标准化层以及ReLu为激活函数依次组成。
在图9的基础上，关于各个模块的处理算式本申请实施例还提供了一种可能，请参考下文。
base(x)＝ReLu(bn(conυ(x))) (1)
outp(inp)＝f(inp) (2)
＝base(base(inp)) (3)
CONV1：y1＝f(in1) (5)
in2＝in1+y1 (6)
CONV2：y2＝f(in2) (7)
in3＝in1+y1+y2 (8)
CONV3：y3＝f(in3) (9)
in4＝in1+y1+y2+y3 (10)
CONV4：y4＝f(in4) (11)
task1＝y5[：，：a] (13)
task2＝y5[：，a：b] (14)
task3＝y5[：，b：] (15)
其中，base(x)表征输入为x的子单元的输出；f(inp)表征输入为inp的模块(第一至第四中任意一个)的输出；backbonei表征第i个backbone的输出，ini表征第i模块的输入；y1表征第一模块COVN1的输出；y2表征第二模块COVN2的输出；y3表征第三模块COVN3的输出；y4表征第四模块COVN4的输出；y5表征线性模块FC的输出。
输出模块输出向量y5的第0到a列的数据为任务1的结果task1、第a到b列的数据为任务2的结果task2、第b到剩下的数据为任务3的结果task3。
可选地，在本申请实施例中，task1对应图像嵌入(embedding)任务，输出结果长度为256维；task2对应人脸面部年龄任务，输出结果为60维；task3对应人像注意力检测任务，输出结果为2维。即第一特征序列的维度为318维。当然地，输出模块可以根据用户设置的任务不同，得到不同的输出结果，第一特征序列的维度会随之改变。
可选地，将图像嵌入的结果作为图像整体结构化结果的主要构成引入到后续机器学习模型(第二神经网络)中进行使用。区别于使用图像模型进行单一或多个识别任务后，将识别的结果(如性别、年龄)与用户结构化数据进行合并使用机器学习方法进行建模的流程。使用图像嵌入的输出作为图像在高维空间的结构化的结果，并将该结果引入到后续模型中使用，图像嵌入虽然不具备传统图像识别模型所得到的具有可解释性的模型输出(如识别性别，识别年龄等)，但图像embedding后的结果能够表征该图像与其他图像的最大差异点。结合结构化数据使用图像embedding的数据训练后续机器学习模型可以有效的提供图像层面差异化的数据特征，从而达到更好的分类效果。
可选地，关于如何对第二神经网络进行训练，本申请实施例还提供了一种可能的实现方式，请参考下文。
将得到的总序列匹配对应的标签，将匹配标签后的总序列用于对第二机器学习模型进行训练，直至其收敛。该标签包含该总序列对应的用户的人为划分的等级。
请参阅图10，图10为本申请实施例提供的一种用户分类装置，可选的，该用户分类装置被应用于上文所述的电子设备。
用户分类装置包括：序列获取单元201和处理单元202。
序列获取单元201，用于将目标人脸图像作为第一神经网络模型的输入，获得第一特征序列。
其中，第一特征序列表征目标人脸图像所包含的特征信息。可选地，序列获取单元201可以执行上述的S103。
序列获取单元201还用于将第一特征序列与第二特征序列进行合并，获得总序列。
其中，第二特征序列表征目标人脸图像对应的用户的指标信息。可选地，序列获取单元201可以执行上述的S106。
处理单元202，用于将总序列作为第二机器学习模型的输入，获得用户的类别。可选地，处理单元202可以执行上述的S107。
序列获取单元201还用于对与用户匹配的图像进行人脸检测，将检测到的人脸图像确定为目标人脸图像。可选地，序列获取单元201可以执行上述的S101。
需要说明的是，本实施例所提供的用户分类装置，其可以执行上述方法流程实施例所示的方法流程，以实现对应的技术效果。为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。
本发明实施例还提供了一种存储介质，该存储介质存储有计算机指令、程序，该计算机指令、程序在被读取并运行时执行上述实施例的用户分类方法。该存储介质可以包括内存、闪存、寄存器或者其结合等。
下面提供一种电子设备，可以是计算机设备，该电子设备如图1所示，可以实现上述的用户分类方法；具体的，该电子设备包括：处理器10，存储器11、总线12。处理器10可以是CPU。存储器11用于存储一个或多个程序，当一个或多个程序被处理器10执行时，执行上述实施例的用户分类方法。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、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、程序段或代码的一部分，所述模块、程序段或代码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。也应当注意，在有些作为替换的实现方式中，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。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。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，本申请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囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种用户分类方法，其特征在于，所述方法包括：
将目标人脸图像作为第一神经网络模型的输入，获得第一特征序列；
其中，所述第一特征序列表征所述目标人脸图像所包含的特征信息；
将所述第一特征序列与第二特征序列进行合并，获得总序列；
其中，所述第二特征序列表征所述目标人脸图像对应的用户的指标信息；
将所述总序列作为第二机器学习模型的输入，获得所述用户的类别。
2.如权利要求1所述的用户分类方法，其特征在于，在将目标人脸图像作为第一神经网络模型的输入之前，所述方法还包括：
对与所述用户匹配的图像进行人脸检测，将检测到的人脸图像确定为所述目标人脸图像。
3.如权利要求2所述的用户分类方法，其特征在于，在将检测到的人脸图像确定为所述目标人脸图像之后，所述方法还包括：
对所述目标人脸图像进行对齐校正。
4.如权利要求1所述的用户分类方法，其特征在于，在将所述第一特征序列与第二特征序列进行合并，获得总序列之前，所述方法还包括：
获取所述用户的所述指标信息；
依据所述指标信息生成所述第二特征序列。
5.如权利要求4所述的用户分类方法，其特征在于，依据所述指标信息生成所述第二特征序列的步骤包括：
对所述指标信息中所缺失的指标进行填补；
对所述指标信息中异常的指标进行截断；
对所述指标信息进行格式转换；
依据所述指标信息中相互关联的指标生成联合维度特征，并将所述联合维度特征添加至指标信息中；
将添加所述联合维度特征后的指标信息转化为所述第二特征序列。
6.如权利要求1所述的用户分类方法，其特征在于，所述第一神经网络模型包括特征提取层、第一模块、第二模块、第三模块、第四模块、线性模块以及输出模块；
所述特征提取层的输入端为所述第一神经网络模型的输入端，所述特征提取层连接于所述第一模块；
所述第一模块的输出端分别与所述第二模块、所述第三模块、所述第四模块以及所述线性模块连接；
所述第二模块的输出端分别与所述第三模块、所述第四模块以及所述线性模块连接；
所述第三模块的输出端分别与所述第四模块和所述线性模块连接；
所述第四模块的输出端与所述线性模块连接；
所述线性模块的输出端与所述输出模块连接。
7.一种用户分类装置，其特征在于，所述装置包括：
序列获取单元，用于将目标人脸图像作为第一神经网络模型的输入，获得第一特征序列；
其中，所述第一特征序列表征所述目标人脸图像所包含的特征信息；
所述序列获取单元还用于将所述第一特征序列与第二特征序列进行合并，获得总序列；
其中，所述第二特征序列表征所述目标人脸图像对应的用户的指标信息；
处理单元，用于将所述总序列作为第二机器学习模型的输入，获得所述用户的类别。
8.如权利要求7所述的用户分类装置，其特征在于，所述序列获取单元还用于对与所述用户匹配的图像进行人脸检测，将检测到的人脸图像确定为所述目标人脸图像。
9.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
10.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器用于存储一个或多个程序；当所述一个或多个程序被所述处理器执行时，实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011350082.4A CN112434616A (zh) | 2020-11-26 | 2020-11-26 | 一种用户分类方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011350082.4A CN112434616A (zh) | 2020-11-26 | 2020-11-26 | 一种用户分类方法、装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112434616A true CN112434616A (zh) | 2021-03-02 |
Family
ID=74699014
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011350082.4A Pending CN112434616A (zh) | 2020-11-26 | 2020-11-26 | 一种用户分类方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112434616A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101916384A (zh) * | 2010-09-01 | 2010-12-15 | 汉王科技股份有限公司 | 一种人脸图像重建方法、装置及人脸识别系统 |
| CN106339377A (zh) * | 2015-07-06 | 2017-01-18 | 阿里巴巴集团控股有限公司 | 业务对象信息处理、提供业务对象信息的方法及装置 |
| CN108182389A (zh) * | 2017-12-14 | 2018-06-19 | 华南师范大学 | 基于大数据与深度学习的用户数据处理方法、机器人系统 |
| CN110020201A (zh) * | 2019-03-26 | 2019-07-16 | 中国科学院软件研究所 | 一种基于用户画像聚类的用户类型自动化标注系统 |
| CN111312367A (zh) * | 2020-05-11 | 2020-06-19 | 成都派沃智通科技有限公司 | 一种基于自适应云管理平台的校园人员异常心理预测方法 |
-
2020
- 2020-11-26 CN CN202011350082.4A patent/CN112434616A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101916384A (zh) * | 2010-09-01 | 2010-12-15 | 汉王科技股份有限公司 | 一种人脸图像重建方法、装置及人脸识别系统 |
| CN106339377A (zh) * | 2015-07-06 | 2017-01-18 | 阿里巴巴集团控股有限公司 | 业务对象信息处理、提供业务对象信息的方法及装置 |
| CN108182389A (zh) * | 2017-12-14 | 2018-06-19 | 华南师范大学 | 基于大数据与深度学习的用户数据处理方法、机器人系统 |
| CN110020201A (zh) * | 2019-03-26 | 2019-07-16 | 中国科学院软件研究所 | 一种基于用户画像聚类的用户类型自动化标注系统 |
| CN111312367A (zh) * | 2020-05-11 | 2020-06-19 | 成都派沃智通科技有限公司 | 一种基于自适应云管理平台的校园人员异常心理预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 腾讯云社区 用户6070864: "用户画像标签体系——从零开始搭建实时用户画像（三）", 《HTTPS://CLOUD.TENCENT.COM/DEVELOPER/ARTICLE/1636746》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107944020B (zh) | 人脸图像查找方法及装置、计算机装置和存储介质 | |
| CN108256568B (zh) | 一种植物种类识别方法以及装置 | |
| US9846840B1 (en) | Semantic class localization in images | |
| CN111461174B (zh) | 多层次注意力机制的多模态标签推荐模型构建方法及装置 | |
| CN111401339B (zh) | 识别人脸图像中的人的年龄的方法、装置及电子设备 | |
| CN112257578B (zh) | 人脸关键点检测方法、装置、电子设备及存储介质 | |
| CN109191133B (zh) | 支付渠道的选择方法及终端设备 | |
| CN112328655B (zh) | 文本标签挖掘方法、装置、设备及存储介质 | |
| CN113342977B (zh) | 发票图像分类方法、装置、设备及存储介质 | |
| CN113094478B (zh) | 表情回复方法、装置、设备及存储介质 | |
| CN113435499B (zh) | 标签分类方法、装置、电子设备和存储介质 | |
| CN114676704A (zh) | 句子情感分析方法、装置、设备以及存储介质 | |
| CN114037545A (zh) | 客户推荐方法、装置、设备及存储介质 | |
| CN111478742B (zh) | 一种sm4算法的分析方法、系统以及设备 | |
| CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
| CN112819073A (zh) | 分类网络训练、图像分类方法、装置和电子设备 | |
| CN114706985A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN111046786A (zh) | 年龄估计神经网络的生成方法、装置以及电子设备 | |
| CN112434616A (zh) | 一种用户分类方法、装置、存储介质及电子设备 | |
| CN113536111B (zh) | 保险知识内容的推荐方法、装置和终端设备 | |
| CN117011577A (zh) | 图像分类方法、装置、计算机设备和存储介质 | |
| CN114943474A (zh) | 研发工作量检测方法、装置、设备及存储介质 | |
| CN114581177A (zh) | 产品推荐方法、装置、设备及存储介质 | |
| CN113902960A (zh) | 神经网络训练及分类方法、装置、电子设备及存储介质 | |
| CN115408599A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210302 |
|
| RJ01 | Rejection of invention patent application after publication |