CN112580887B - 多目标融合评价的权重确定方法、装置、设备及存储介质 - Google Patents

多目标融合评价的权重确定方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112580887B
CN112580887B CN202011561255.7A CN202011561255A CN112580887B CN 112580887 B CN112580887 B CN 112580887B CN 202011561255 A CN202011561255 A CN 202011561255A CN 112580887 B CN112580887 B CN 112580887B
Authority
CN
China
Prior art keywords
dimensions
score
determining
dimension
scores
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011561255.7A
Other languages
English (en)
Other versions
CN112580887A (zh
Inventor
陈成佳
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.)
Bigo Technology Pte Ltd
Original Assignee
Bigo Technology Pte 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 Bigo Technology Pte Ltd filed Critical Bigo Technology Pte Ltd
Priority to CN202011561255.7A priority Critical patent/CN112580887B/zh
Publication of CN112580887A publication Critical patent/CN112580887A/zh
Application granted granted Critical
Publication of CN112580887B publication Critical patent/CN112580887B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种多目标融合评价的权重确定方法、装置、设备及存储介质，涉及计算机和互联网技术领域。所述方法包括：获取基于多目标预测得到的离线样本在n个维度的分值，n为大于1的整数；对n个维度的分值进行归一化处理，得到n个维度的归一化分值；其中，n个维度的归一化分值属于同一数量级；基于n个维度的归一化分值以及离线样本在n个维度的标签信息，确定n个维度分别对应的权重值；其中，权重值用于对n个维度的分值进行融合处理，得到融合分值。本申请实施例能够在多目标融合评价的场景下，提高确定出的各个维度对应的权重值的准确性。

Description

多目标融合评价的权重确定方法、装置、设备及存储介质
技术领域
本申请实施例涉及计算机和互联网技术领域，特别涉及一种多目标融合评价的权重确定方法、装置、设备及存储介质。
背景技术
多目标融合评价是指从多个维度对目标对象进行打分，并结合各个维度对应的权重值，确定出该目标对象的融合分值。
例如，在直播领域中，排序模型既要预测用户是否会观看候选主播，还要预测用户是否会关注该候选主播，以及预测用户是否会打赏该候选主播，因此一个排序模型会输出多个维度的分值，分别表示用户对候选主播发生观看、关注、打赏等行为的概率。然后，基于该多个维度的分值和对应的权重值，得到用户对该候选主播的综合排序分值。
目前在多目标融合评价的场景下，各个维度对应的权重值通常是凭经验确定的，不够准确。
发明内容
本申请实施例提供了一种多目标融合评价的权重确定方法、装置、设备及存储介质，能够在多目标融合评价的场景下，提高确定出的各个维度对应的权重值的准确性。所述技术方案如下：
根据本申请实施例的一个方面，提供了一种多目标融合评价的权重确定方法，所述方法包括：
获取基于多目标预测得到的离线样本在n个维度的分值，n为大于1的整数；
对所述n个维度的分值进行归一化处理，得到所述n个维度的归一化分值；其中，所述n个维度的归一化分值属于同一数量级；
基于所述n个维度的归一化分值以及所述离线样本在所述n个维度的标签信息，确定所述n个维度分别对应的权重值；其中，所述权重值用于对所述n个维度的分值进行融合处理，得到融合分值。
根据本申请实施例的一个方面，提供了一种多目标融合评价的权重确定装置，所述装置包括：
分值获取模块，用于获取基于多目标预测得到的离线样本在n个维度的分值，n为大于1的整数；
归一化处理模块，用于对所述n个维度的分值进行归一化处理，得到所述n个维度的归一化分值；其中，所述n个维度的归一化分值属于同一数量级；
权重确定模块，用于基于所述n个维度的归一化分值以及所述离线样本在所述n个维度的标签信息，确定所述n个维度分别对应的权重值；其中，所述权重值用于对所述n个维度的分值进行融合处理，得到融合分值。
根据本申请实施例的一个方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现上述多目标融合评价的权重确定方法。
根据本申请实施例的一个方面，提供了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计算机程序，所述计算机程序由处理器加载并执行以实现上述多目标融合评价的权重确定方法。
根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述多目标融合评价的权重确定方法。
本申请实施例提供的技术方案可以带来如下有益效果：
通过采用离线方式，结合离线样本在多个维度的预测分值和标签信息，确定出用于多目标融合评价的多目标融合参数(即多个维度分别对应的权重值)，相比于凭经验确定的方式，本申请实施例提供的方式由于以离线样本为参考，从而使得最终确定出的多目标融合参数更具准确性。
另外，还通过对各个维度的分值进行归一化处理，使得各个维度的分值在同一数量级，避免数量级大的维度的分值更多地主导最终的融合分值，使得各个维度的分值在最终的融合分值中的占比更加的均衡，这不但有助于降低后续调整各维度权重值的难度，而且有助于提升最终的融合效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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是本申请一个实施例提供的多目标融合评价的权重确定方法的流程图；
图2是本申请另一个实施例提供的多目标融合评价的权重确定方法的流程图；
图3是本申请另一个实施例提供的多目标融合评价的权重确定方法的流程图；
图4是本申请一个实施例提供的多目标融合参数的效果评估的方法流程图；
图5是本申请一个实施例提供的多目标融合评价的权重确定装置的框图；
图6是本申请另一个实施例提供的多目标融合评价的权重确定装置的框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
本申请实施例提供的技术方案，适用于多种不同场景下的多目标融合评价。
以直播领域为例，假设计算目标主播的融合分值，该融合分值是通过融合该目标主播在多个维度的打分情况，确定出的用于反映该目标主播的综合排序情况的分值。例如，上述多个维度可以包括观看、关注、打赏等多个不同维度，某一个维度的分值用于表示用户对目标主播执行该维度的行为的概率。通过基于该多个维度的分值和该多个维度分别对应的权重值，得到目标主播的融合分值。
以短视频领域为例，假设计算目标视频的融合分值，该融合分值是通过融合该目标视频在多个维度的打分情况，确定出的用于反映该目标视频的总体热度情况的分值。例如，上述多个维度可以包括观看、评论、发弹幕等多个不同维度，某一个维度的分值用于表示用户对目标视频执行该维度的行为的概率。通过基于该多个维度的分值和该多个维度分别对应的权重值，得到目标视频的融合分值。
以图像质量评估为例，假设计算目标图像的融合分值，该融合分值是通过融合该目标图像在多个维度的打分情况，确定出的用于反映该目标图像的总体质量情况的分值。例如，上述多个维度可以包括清晰度、颜色、噪音、曝光等多个不同维度，某一个维度的分值用于表示目标图像在该维度的单项质量情况。通过基于该多个维度的分值和该多个维度分别对应的权重值，得到目标图像的融合分值。
上文列举的几种多目标融合评价场景仅是示例性和解释性的，在实际应用中，还可以在其他场景下用到多目标融合评价，本申请实施例对此不作限定。本申请旨在提供一种多目标融合评价的权重确定方法，能够在多目标融合评价的场景下，提高确定出的各个维度对应的权重值的准确性。
下面，通过几个实施例对本申请技术方案进行介绍说明。
本申请实施例提供的多目标融合评价的权重确定方法，各步骤的执行主体可以是计算机设备，该计算机设备是指任何具备数据计算、处理和存储能力的电子设备，如手机、PC(Personal Computer，个人计算机)、平板电脑等终端设备，也可以是服务器等设备，本申请实施例对此不作限定。
请参考图1，其示出了本申请一个实施例提供的多目标融合评价的权重确定方法的流程图。该方法可以包括如下几个步骤(101～103)：
步骤101，获取基于多目标预测得到的离线样本在n个维度的分值，n为大于1的整数。
在本申请实施例中，离线样本是指从离线数据中确定出的样本。所谓离线数据，是指已经具有客观结果的历史数据。以对目标主播进行多目标融合评价为例，离线数据可以包括用户针对一个或者多个主播的历史行为数据，该历史行为数据中可以记录有用户是否对主播执行了观看行为、是否对主播执行了关注行为、是否对主播执行了打赏行为等。
可选地，通过预测模型输出离线样本在n个维度的分值，该预测模型可以是数学模型，也可以是机器学习模型(如分类模型)，本申请实施例对此不作限定。对于n个维度中的第i个维度，该第i个维度的分值用于指示通过预测模型输出的该第i个维度的预测得分。在不同的应用场景下，分值所表征的含义会有所不同，例如，在上文介绍的直播领域中对目标主播进行多目标融合评价，某一个维度的分值用于表示用户对目标主播执行该维度的行为的概率；又例如，在上文介绍的短视频领域中对目标视频进行多目标融合评价，某一个维度的分值用于表示用户对目标视频执行该维度的行为的概率。
步骤102，对n个维度的分值进行归一化处理，得到n个维度的归一化分值；其中，n个维度的归一化分值属于同一数量级。
考虑到各个维度的正负样本比例差异不同，有些维度的正负样本比例较均衡，而有些维度的负样本数量偏多，这会使得那些负样本偏多的维度，预测模型最终预测出的分值较低。这是因为在分类任务中，模型训练时会不断调整优化模型参数，使得模型对于负样本的打分更接近于0，对应正样本打分更接近于1，而如果负样本数量远远大于正样本时，负样本会更大的影响模型参数更新，使得模型整体而言打分更低，从而更接近于0。
正因于此，不同维度的分值可能属于不同的数量级，例如某一个维度的分值集中在0.1～0.8之间，而另一个维度的分值集中在0.001～0.008之间，显然这两个维度的分值不在同一量级上。由于不同维度的分值之间的数量级有较大差异，因此很难直接将不同维度的分值进行直接线性加权求和，这会导致数量级大的维度的分值更多地主导最终的融合分值。因此，在本申请实施例中，先对各个维度的分值进行归一化处理，使得各个维度的分值在同一数量级，从而方便后续的融合处理。
可选地，对于n个维度中的第i个维度，基于多个离线样本在第i个维度的分值，确定该第i个维度对应的分值分布评价指标；其中，第i个维度对应的分值分布评价指标用于指示第i个维度对应的分值的分布情况，i为小于等于n的正整数。基于第i个维度的分值和对应的分值分布评价指标，确定第i个维度的归一化分值。示例性地，分值分布评价指标可以包括以下至少一项：分位数、均值、方差等。
以分值分布评价指标为分位数为例，根据多个离线样本在n个维度的分值，可以分别计算出各个维度的分位数。以千分位数为例，可以计算出各个维度的千分之一位数、千分之二位数、…、千分之九百九十九位数等。以计算第i个维度对应的分位数为例，可以先将各个离线样本在该第i个维度的分值，集合到一个队列里面，然后对该队列中的分值按照从小到大的顺序进行排序。若该队列中总共有k个分值(即离线样本的数量为k)，则计算得到index1(索引值1)＝k×1/1000，取index1的整数部分a1，在队列中按照从小到大顺序数，第a1个分值即为千分之一位数；类似地，计算得到index2(索引值2)＝k×2/1000，取index2的整数部分a2，在队列中按照从小到大顺序数，第a2个分值即为千分之二位数，以此类推，则可得到各个千分位数。另外，对于每个维度对应的分位数，均可采用上述算法进行计算得到。在确定出第i个维度对应的分位数之后，可以基于离线样本在第i个维度的分值和该第i个维度对应的分位数，采用分位数归一化(quantile normalization)的方式，确定离线样本在该第i个维度的归一化分值。
归一化处理也称为标准化处理，即将分值按照分布情况调整到一个固定的取值区间，如[0,1]区间。上文仅以采用分位数归一化的方式，对分值进行归一化处理为例，在一些其他实施例中，还可以采用诸如离差归一化(min-max normalization)、均值归一化(meannormalization)等其他归一化方式，本申请实施例对此不作限定。
步骤103，基于n个维度的归一化分值以及离线样本在n个维度的标签信息，确定n个维度分别对应的权重值；其中，权重值用于对n个维度的分值进行融合处理，得到融合分值。
上述第i个维度的分值是通过预测模型输出的该第i个维度的预测得分，第i个维度的标签信息即为该第i个维度的真实得分，该真实得分是基于历史数据确定的。仍然以直播领域中对目标主播进行多目标融合评价，对于观看行为这一维度，预测模型输出的该维度的分值，表示用户对目标主播执行观看行为的概率(该概率的取值可以属于区间[0,1]之间)；该维度的标签信息，表示基于历史数据确定出的用户对目标主播是否执行了观看行为，如未执行观看行为以0表示，执行了观看行为以1表示。
在本申请实施例中，基于离线样本在n个维度的归一化分值和标签信息，对该n个维度分别对应的权重值进行调整，最终确定出该n个维度分别对应的权重值，实现了基于离线样本来离线确定用于多目标融合评价的权重值。
另外，任一样本(包括离线样本和在线样本)的融合分值，可以采用线性加权融合的方式，基于该样本在n个维度的归一化分值和n个维度分别对应的权重值，进行加权求和得到。
综上所述，本申请实施例提供的技术方案，通过采用离线方式，结合离线样本在多个维度的预测分值和标签信息，确定出用于多目标融合评价的多目标融合参数(即多个维度分别对应的权重值)，相比于凭经验确定的方式，本申请实施例提供的方式由于以离线样本为参考，从而使得最终确定出的多目标融合参数更具准确性。
另外，还通过对各个维度的分值进行归一化处理，使得各个维度的分值在同一数量级，避免数量级大的维度的分值更多地主导最终的融合分值，使得各个维度的分值在最终的融合分值中的占比更加的均衡，这不但有助于降低后续调整各维度权重值的难度，而且有助于提升最终的融合效果。
请参考图2，其示出了本申请另一个实施例提供的多目标融合评价的权重确定方法的流程图。该方法可以包括如下几个步骤(201～205)：
步骤201，获取基于多目标预测得到的离线样本在n个维度的分值，n为大于1的整数。
步骤202，对n个维度的分值进行归一化处理，得到n个维度的归一化分值；其中，n个维度的归一化分值属于同一数量级。
上述步骤201～202与图1实施例中的步骤101～102相同或类似，具体可参见图1实施例中的介绍说明，此处不再赘述。
步骤203，初始化n个维度分别对应的权重值。
各个维度对应的初始化的权重值可以预先设定。例如，各个维度对应的初始化的权重值可以相同，也可以不同。在一个示例中，各个维度对应的初始化的权重值均为0.1。
步骤204，基于n个维度的归一化分值以及离线样本在所述n个维度的标签信息，对n个维度分别对应的权重值逐个进行调整。
在本步骤中，首先选择一个维度对应的权重值进行调整，在调整该维度对应的权重值的过程中，其他维度对应的权重值均固定不变。在该维度对应的权重值调整完成之后，选择下一个维度对应的权重值进行调整，并以此类推，对n个维度对应的权重值逐个进行调整，直至所有维度均调整完毕。
在示例性实施例中，本步骤包括如下几个子步骤：
1、在对n个维度中的第i个维度对应的权重值进行调整的情况下，固定除第i个维度之外的其他维度对应的权重值，i为小于等于n的正整数；
例如，假设共有3个维度，首先对第1个维度对应的权重值进行调整，此时固定其他2个维度对应的权重值。
另外，假设这3个维度对应的归一化分值分别为y1、y2和y3，权重值分别为w1、w2和w3，标签信息分别为label1、label2和label3。
2、基于第i个维度的归一化分值和标签信息，确定第一参数；
第一参数用于指示第i个维度的归一化分值和标签信息之间的接近程度。可选地，第一参数可以是AUC(Area Under Curve，ROC(Receiver Operating Characteristic，受试者工作特征)曲线下与坐标轴围成的面积)值，有关AUC值的计算方式此处不作赘述。
例如，基于第1个维度的归一化分值y1和标签信息label1，计算得到相应的第一参数记为auc1；基于第2个维度的归一化分值y2和标签信息label2，计算得到相应的第一参数记为auc2；基于第3个维度的归一化分值y3和标签信息label3，计算得到相应的第一参数记为auc3。
3、基于n个维度的归一化分值和分别对应的权重值，确定融合分值，并基于该融合分值和第i个维度的标签信息，确定第二参数；
融合分值可以采用n个维度分别对应的权重值，对n个维度的归一化分值进行加权求和得到。仍然以上述3个维度为例，融合分值y＝w1×y1+w2×y2+w3×y3。
第二参数用于指示融合分值和第i个维度的标签信息之间的接近程度。可选地，第二参数也可以是AUC值。
例如，基于融合分值y和第1个维度的标签信息label1，计算得到相应的第二参数记为p_auc1；基于融合分值y和第2个维度的标签信息label2，计算得到相应的第二参数记为p_auc2；基于融合分值y和第3个维度的标签信息label3，计算得到相应的第二参数记为p_auc3。
4、在第一参数和第二参数之间的大小关系不满足第一停止条件的情况下，调整第i个维度对应的权重值，并再次从上述步骤3开始执行；
5、在第一参数和第二参数之间的大小关系满足第一停止条件的情况下，保存最后一次调整得到的第i个维度对应的权重值。
容易知道的是，若y＝y1，则auc1＝p_auc1，也就是说当第1个维度对应的权重值w1无限大时，多目标融合后的p_auc1可以逼近该维度对应的第一参数的上限值auc1，因此我们优化多目标融合参数w1，评估的标准就是令多目标融合后的p_auc1逼近auc1；参数w2、w3的优化也是同样的评估标准。因为w1越大，则y会越接近于y1，则p_auc1也会越接近于auc1，所以在多目标融合参数优化时，我们可以让w2和w3参数值保持不变，并让w1参数每次加上一调整量(如0.1)，然后计算调整后的融合分值y，以及调整后的p_auc1值，当第一参数和第二参数之间的大小关系满足第一停止条件(如第一停止条件为p_auc1≥0.8×auc1)时，我们可以认为w1参数调整优化完毕，那么可以按相同方法，对w2和w3的值进行调整优化。
需要说明的是，上述关于第一停止条件的说明仅是示例性和解释性的，该第一停止条件可以结合实际情况进行合理地调整和设定，本申请实施例对此不作限定。
步骤205，在满足第一停止条件的情况下，确定n个维度分别对应的权重值。
通过对n个维度分别对应的权重值逐个进行调整，直至所有维度均调整完毕，保存各个维度分别对应的权重值。
需要说明的是，在实际应用中，可以对n个维度分别对应的权重值进行一轮的逐个调整，也可以进行多轮的逐个调整，这可以根据实际业务需求进行灵活设计，本申请实施例对此不作限定。
综上所述，本申请实施例提供的技术方案，通过对多个维度分别对应的权重值逐个进行调整，实现了对各维度权重值的调整优化，且操作简单，运算量小。
请参考图3，其示出了本申请另一个实施例提供的多目标融合评价的权重确定方法的流程图。该方法可以包括如下几个步骤(301～309)：
步骤301，获取基于多目标预测得到的离线样本在n个维度的分值，n为大于1的整数。
步骤302，对n个维度的分值进行归一化处理，得到n个维度的归一化分值；其中，n个维度的归一化分值属于同一数量级。
步骤303，初始化n个维度分别对应的权重值。
步骤304，基于n个维度的归一化分值以及离线样本在所述n个维度的标签信息，对n个维度分别对应的权重值逐个进行调整。
步骤305，在满足第一停止条件的情况下，确定n个维度分别对应的权重值。
上述步骤301～305与图2实施例中的步骤201～205相同或类似，具体可参见图2实施例中的介绍说明，此处不再赘述。
步骤306，确定n个维度中其他维度相对于第i个维度的相关性系数，i为小于等于n的正整数。
在经过上述步骤303～305对多目标融合参数(即n个维度分别对应的权重值)进行调整优化完毕后，若需要对几个重要的特定维度进行单独优化，则可以对特定维度对应的权重值进行二次优化调整。在上述步骤303～305的优化调整过程中，是固定其他维度对应的权重值，只对某一个维度对应的权重值进行调整，在二次优化调整过程中，需要综合考虑各个维度的权重值，同时对各个维度的权重值进行调整，并达到优化特定维度的权重值的效果。
假设特定维度为第i个维度，首先计算第i个维度与其他维度之间的相关性系数，该相关性系数用于表征两个维度相互之间的关联性和影响程度。在示例性实施例中，采用如下方式计算该相关性系数：
1、基于其他维度的归一化分值和标签信息，确定第三参数；
第三参数用于指示其他维度的归一化分值和标签信息之间的接近程度。可选地，第三参数可以是AUC值。
仍然以上述3个维度为例，假设特定维度为第1个维度，那么基于第2个维度的归一化分值y2和标签信息label2，计算得到相应的第三参数记为auc2；基于第3个维度的归一化分值y3和标签信息label3，计算得到相应的第三参数记为auc3。
2、基于第i个维度的归一化分值和其他维度的标签信息，确定第四参数；
第四参数用于指示第i个维度的归一化分值和其他维度的标签信息之间的接近程度。可选地，第四参数也可以是AUC值。
例如，基于第1个维度的归一化分值y1和第2个维度的标签信息label2，计算得到相应的第四参数记为auc21；基于第1个维度的归一化分值y1和第3个维度的标签信息label3，计算得到相应的第四参数记为auc31。
3、基于第三参数和第四参数，确定其他维度相对于第i个维度的相关性系数。
可选地，将第四参数除以第三参数，得到的商作为相关性系数。
例如，第2个维度相对于第1个维度的相关性系数a21＝auc21/auc2，第3个维度相对于第1个维度的相关性系数a31＝auc31/auc3。
另外，如果特定维度为第2个维度，那么可以采用类似的方法计算得到第1个维度相对于第2个维度的相关性系数a12，以及第3个维度相对于第2个维度的相关性系数a32。如果特定维度为第3个维度，那么可以采用类似的方法计算得到第1个维度相对于第3个维度的相关性系数a13，以及第2个维度相对于第3个维度的相关性系数a23。
步骤307，基于相关性系数以及第i个维度对应的权重值的调整量，确定其他维度对应的权重值的调整量。
基于相关性系数，可以计算出每个维度在最终的融合分值中的占比。例如，第1个维度在融合分值y＝w1×y1+w2×y2+w3×y3中的占比p1＝(w1+w2×a21+w3×a31)/(w1+w2+w3)。
如果想对第i个维度对应的权重值进行单独优化，可以将预设值确定为该第i个维度对应的权重值的调整量，并将相关性系数与第i个维度对应的权重值的调整量相乘，得到其他维度对应的权重值的调整量。
例如，以对第1个维度对应的权重值进行单独优化为例，该第1个维度对应的权重值的调整量为预设值(如0.05)，第2个维度对应的权重值的调整量为预设值×a21，第3个维度对应的权重值的调整量为预设值×a31。
步骤308，按照确定出的调整量，对n个维度分别对应的权重值进行调整。
例如，第1个维度对应的权重值w1＝w1+0.05，第2个维度对应的权重值w2＝w2+0.05×a21，第3个维度对应的权重值w3＝w3+0.05×a31。
步骤309，在满足第二停止条件的情况下，确定n个维度分别对应的权重值。
第二停止条件可以结合实际情况进行设定，例如第二停止条件包括基于第i个维度的归一化分值和标签信息所确定出的第一参数，与基于融合分值和第i个维度的标签信息所确定出的第二参数之间的大小关系，满足第二停止条件(如第二停止条件为p_auc1≥0.9×auc1)，或者，第i个维度在融合分值中的占比大于或等于门限值(如p1≥0.5)。在满足上述第二停止条件的情况下，可以认为特定维度(以上以第i个维度举例)在最终的融合分值中占比已经足够高，该特定维度对应的权重值调整优化完毕。
综上所述，本申请实施例提供的技术方案，通过在对多个维度分别对应的权重值逐个进行调整之后，再结合各维度之间的相关性，对特定维度的权重值进行进一步的迭代优化，从而进一步提升了各维度权重值的准确性。
上述实施例介绍了通过离线方式，确定多目标融合参数(即n个维度分别对应的权重值)的方法，在将该离线确定出的多目标融合参数在线上使用之前，可以对该离线确定出的多目标融合参数进行效果评估。在示例性实施例中，如图4所示，通过如下步骤进行效果评估：
步骤401，基于离线样本在n个维度的归一化分值和n个维度分别对应的权重值，确定离线样本对应的第一融合分值。
步骤402，基于离线样本在n个维度的归一化分值和n个维度分别对应的参考权重值，确定离线样本对应的第二融合分值。
上述步骤401中使用的n个维度分别对应的权重值，即为通过离线方式确定出的多目标融合参数。步骤402中使用的n个维度分别对应的参考权重值，是作为效果评估所使用的参考多目标融合参数，例如其可以是当前线上使用的多目标融合参数，也可以是预先设定的经验值，本申请实施例对此不作限定。
仍然以上述3个维度为例，假设确定出的3个维度分别对应的权重值为w1、w2和w3，则第一融合分值y_off＝w1×y1+w2×y2+w3×y3。另外，假设该3个维度分别对应的参考权重值为w1′、w2′和w3′，则第二融合分值y_on＝w1′×y1+w2′×y2+w3′×y3。
另外，上述步骤401和步骤402可以同时执行，也可以先后执行，如步骤401在步骤402之前执行，或者步骤401在步骤402之后执行，本申请实施例对此不作限定。
步骤403，基于第一融合分值和离线样本在n个维度的标签信息，确定第一评价参数；其中，第一评价参数用于指示确定出的n个维度分别对应的权重值的性能。
可选地，第一评价参数可以包括各个维度分别对应的第一评价子参数，第i个维度对应的第一评价子参数可用于指示第一融合分值与该第i个维度的标签信息之间的接近程度，如第一评价子参数可以是AUC值。
例如，通过第一融合分值y_off和第1个维度的标签信息label1，可以计算出第一融合分值y_off在该第1个维度上的AUC值，即为auc1_off。同理，第一融合分值y_off在其他维度上的AUC值可以采用类似方法计算得到。
步骤404，基于第二融合分值和离线样本在n个维度的标签信息，确定第二评价参数；其中，第二评价参数用于指示参考权重值的性能。
可选地，第二评价参数可以包括各个维度分别对应的第二评价子参数，第i个维度对应的第二评价子参数可用于指示第二融合分值与该第i个维度的标签信息之间的接近程度，如第二评价子参数可以是AUC值。
例如，通过第二融合分值y_on和第1个维度的标签信息label1，可以计算出第二融合分值y_on在该第1个维度上的AUC值，即为auc1_on。同理，第二融合分值y_on在其他维度上的AUC值可以采用类似方法计算得到。
另外，上述步骤403和步骤404可以同时执行，也可以先后执行，如步骤403在步骤404之前执行，或者步骤403在步骤404之后执行，本申请实施例对此不作限定。
步骤405，在第一评价参数和第二评价参数的大小关系满足指定条件的情况下，确定n个维度分别对应的权重值满足线上使用要求。
通过比较第一评价参数和第二评价参数，可以看出离线确定的多目标融合参数的效果，是否超过参考多目标融合参数(如当前线上使用的多目标融合参数)的效果。若第一评价参数和第二评价参数的大小关系满足指定条件，如在所有维度或一些特定维度上的第一评价子参数大于第二评价子参数，则可以认为满足指定条件，上述离线确定出的多目标融合参数可以进行线上使用。若第一评价参数和第二评价参数的大小关系不满足指定条件，如在一些维度或一些特定维度上的第一评价子参数小于第二评价子参数，那么可以继续采用上文实施例介绍的方法，采用离线方式对多目标融合参数进行进一步的调整优化，然后再重新进行效果评估。
综上所述，本申请实施例提供的技术方案，通过离线多目标融合参数优化，以及离线多目标融合效果评估，达到在离线环境即可对多目标融合参数进行调整优化和评估，以及在上线实验前，即可对实验结果有个大致预期，从而节省了大量时间和流量进行线上实验，改变以往需要在线上环境进行多组实验，然后根据实验结果再逐步对多目标融合参数进行调整的弊端。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
请参考图5，其示出了本申请一个实施例提供的多目标融合评价的权重确定装置的框图。该装置500具有实现上述方法实施例的功能，该功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置500可以是上文介绍的计算机设备，也可以设置在计算机设备中。该装置500可以包括：分值获取模块510、归一化处理模块520和权重确定模块530。
分值获取模块510，用于获取基于多目标预测得到的离线样本在n个维度的分值，n为大于1的整数。
归一化处理模块520，用于对所述n个维度的分值进行归一化处理，得到所述n个维度的归一化分值；其中，所述n个维度的归一化分值属于同一数量级。
权重确定模块530，用于基于所述n个维度的归一化分值以及所述离线样本在所述n个维度的标签信息，确定所述n个维度分别对应的权重值；其中，所述权重值用于对所述n个维度的分值进行融合处理，得到融合分值。
在示例性实施例中，所述权重确定模块530，用于：
初始化所述n个维度分别对应的权重值；
基于所述n个维度的归一化分值以及所述离线样本在所述n个维度的标签信息，对所述n个维度分别对应的权重值逐个进行调整；
在满足第一停止条件的情况下，确定所述n个维度分别对应的权重值。
可选地，所述权重确定模块530，具体用于：
在对所述n个维度中的第i个维度对应的权重值进行调整的情况下，固定除所述第i个维度之外的其他维度对应的权重值，i为小于等于n的正整数；
基于所述第i个维度的归一化分值和标签信息，确定第一参数；其中，所述第一参数用于指示所述第i个维度的归一化分值和标签信息之间的接近程度；
基于所述n个维度的归一化分值和分别对应的权重值，确定融合分值，并基于所述融合分值和所述第i个维度的标签信息，确定第二参数；其中，所述第二参数用于指示所述融合分值和所述第i个维度的标签信息之间的接近程度；
在所述第一参数和所述第二参数之间的大小关系不满足所述第一停止条件的情况下，调整所述第i个维度对应的权重值，并再次从所述基于所述n个维度的归一化分值和分别对应的权重值，确定融合分值，并基于所述融合分值和所述第i个维度的标签信息，确定第二参数的步骤开始执行；
在所述第一参数和所述第二参数之间的大小关系满足所述第一停止条件的情况下，保存最后一次调整得到的所述第i个维度对应的权重值。
可选地，所述权重确定模块530，还用于：
确定所述n个维度中其他维度相对于第i个维度的相关性系数，所述i为小于等于n的正整数；
基于所述相关性系数以及所述第i个维度对应的权重值的调整量，确定所述其他维度对应的权重值的调整量；
按照确定出的所述调整量，对所述n个维度分别对应的权重值进行调整；
在满足第二停止条件的情况下，确定所述n个维度分别对应的权重值。
可选地，所述权重确定模块530，还用于：
基于所述其他维度的归一化分值和标签信息，确定第三参数；其中，所述第三参数用于指示所述其他维度的归一化分值和标签信息之间的接近程度；
基于所述第i个维度的归一化分值和所述其他维度的标签信息，确定第四参数；其中，所述第四参数用于指示所述第i个维度的归一化分值和所述其他维度的标签信息之间的接近程度；
基于所述第三参数和所述第四参数，确定所述其他维度相对于所述第i个维度的相关性系数。
可选地，所述权重确定模块530，还用于：
将所述相关性系数与所述第i个维度对应的权重值的调整量相乘，得到所述其他维度对应的权重值的调整量。
可选地，所述归一化处理模块520，用于：
对于所述n个维度中的第i个维度，基于多个所述离线样本在所述第i个维度的分值，确定所述第i个维度对应的分值分布评价指标；其中，所述第i个维度对应的分值分布评价指标用于指示所述第i个维度对应的分值的分布情况，i为小于等于n的正整数；
基于所述第i个维度的分值和对应的分值分布评价指标，确定所述第i个维度的归一化分值。
可选地，如图6所示，该装置500还包括效果评估模块540，用于：
基于所述离线样本在所述n个维度的归一化分值和所述n个维度分别对应的权重值，确定所述离线样本对应的第一融合分值；
基于所述离线样本在所述n个维度的归一化分值和所述n个维度分别对应的参考权重值，确定所述离线样本对应的第二融合分值；
基于所述第一融合分值和所述离线样本在所述n个维度的标签信息，确定第一评价参数；其中，所述第一评价参数用于指示确定出的所述n个维度分别对应的权重值的性能；
基于所述第二融合分值和所述离线样本在所述n个维度的标签信息，确定第二评价参数；其中，所述第二评价参数用于指示所述参考权重值的性能；
在所述第一评价参数和所述第二评价参数的大小关系满足指定条件的情况下，确定所述n个维度分别对应的权重值满足线上使用要求。
综上所述，本申请实施例提供的技术方案，通过采用离线方式，结合离线样本在多个维度的预测分值和标签信息，确定出用于多目标融合评价的多目标融合参数(即多个维度分别对应的权重值)，相比于凭经验确定的方式，本申请实施例提供的方式由于以离线样本为参考，从而使得最终确定出的多目标融合参数更具准确性。
需要说明的是，上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
在示例性实施例中，还提供了一种计算机设备。该计算机设备包括处理器和存储器，该存储器中存储有计算机程序，该计算机程序由处理器加载并执行以实现上述多目标融合评价的权重确定方法。
在示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，该计算机程序由处理器加载并执行以实现上述多目标融合评价的权重确定方法。
可选地，该计算机可读存储介质可以包括：ROM(Read-Only Memory，只读存储器)、RAM(Random-Access Memory，随机存储器)、SSD(Solid State Drives，固态硬盘)或光盘等。其中，随机存取记忆体可以包括ReRAM(Resistance Random Access Memory，电阻式随机存取记忆体)和DRAM(Dynamic Random Access Memory，动态随机存取存储器)。
在示例性实施例中，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述多目标融合评价的权重确定方法。
以上所述仅为本申请的示例性实施例，并不用以限制本申请，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。

Claims (11)

1.一种多目标融合评价的权重确定方法，其特征在于，所述方法包括：
获取基于多目标预测得到的离线样本在n个维度的分值，n为大于1的整数；
对所述n个维度的分值进行归一化处理，得到所述n个维度的归一化分值；其中，所述n个维度的归一化分值属于同一数量级；
基于所述n个维度的归一化分值以及所述离线样本在所述n个维度的标签信息，确定所述n个维度分别对应的权重值；其中，所述权重值用于对所述n个维度的分值进行融合处理，得到融合分值。
2.根据权利要求1所述的方法，其特征在于，所述基于所述n个维度的归一化分值以及所述离线样本在所述n个维度的标签信息，确定所述n个维度分别对应的权重值，包括：
初始化所述n个维度分别对应的权重值；
基于所述n个维度的归一化分值以及所述离线样本在所述n个维度的标签信息，对所述n个维度分别对应的权重值逐个进行调整；
在满足第一停止条件的情况下，确定所述n个维度分别对应的权重值。
3.根据权利要求2所述的方法，其特征在于，所述基于所述n个维度的归一化分值以及所述离线样本在所述n个维度的标签信息，对所述n个维度分别对应的权重值逐个进行调整，包括：
在对所述n个维度中的第i个维度对应的权重值进行调整的情况下，固定除所述第i个维度之外的其他维度对应的权重值，i为小于等于n的正整数；
基于所述第i个维度的归一化分值和标签信息，确定第一参数；其中，所述第一参数用于指示所述第i个维度的归一化分值和标签信息之间的接近程度；
基于所述n个维度的归一化分值和分别对应的权重值，确定融合分值，并基于所述融合分值和所述第i个维度的标签信息，确定第二参数；其中，所述第二参数用于指示所述融合分值和所述第i个维度的标签信息之间的接近程度；
在所述第一参数和所述第二参数之间的大小关系不满足所述第一停止条件的情况下，调整所述第i个维度对应的权重值，并再次从所述基于所述n个维度的归一化分值和分别对应的权重值，确定融合分值，并基于所述融合分值和所述第i个维度的标签信息，确定第二参数的步骤开始执行；
在所述第一参数和所述第二参数之间的大小关系满足所述第一停止条件的情况下，保存最后一次调整得到的所述第i个维度对应的权重值。
4.根据权利要求2所述的方法，其特征在于，所述在满足第一停止条件的情况下，确定所述n个维度分别对应的权重值之后，还包括：
确定所述n个维度中其他维度相对于第i个维度的相关性系数，所述i为小于等于n的正整数；
基于所述相关性系数以及所述第i个维度对应的权重值的调整量，确定所述其他维度对应的权重值的调整量；
按照确定出的所述调整量，对所述n个维度分别对应的权重值进行调整；
在满足第二停止条件的情况下，确定所述n个维度分别对应的权重值。
5.根据权利要求4所述的方法，其特征在于，所述确定所述n个维度中其他维度相对于第i个维度的相关性系数，包括：
基于所述其他维度的归一化分值和标签信息，确定第三参数；其中，所述第三参数用于指示所述其他维度的归一化分值和标签信息之间的接近程度；
基于所述第i个维度的归一化分值和所述其他维度的标签信息，确定第四参数；其中，所述第四参数用于指示所述第i个维度的归一化分值和所述其他维度的标签信息之间的接近程度；
基于所述第三参数和所述第四参数，确定所述其他维度相对于所述第i个维度的相关性系数。
6.根据权利要求4所述的方法，其特征在于，所述基于所述相关性系数以及所述第i个维度对应的权重值的调整量，确定所述其他维度对应的权重值的调整量，包括：
将所述相关性系数与所述第i个维度对应的权重值的调整量相乘，得到所述其他维度对应的权重值的调整量。
7.根据权利要求1所述的方法，其特征在于，所述对所述n个维度的分值进行归一化处理，得到所述n个维度的归一化分值，包括：
对于所述n个维度中的第i个维度，基于多个所述离线样本在所述第i个维度的分值，确定所述第i个维度对应的分值分布评价指标；其中，所述第i个维度对应的分值分布评价指标用于指示所述第i个维度对应的分值的分布情况，i为小于等于n的正整数；
基于所述第i个维度的分值和对应的分值分布评价指标，确定所述第i个维度的归一化分值。
8.根据权利要求1至7任一项所述的方法，其特征在于，所述基于所述n个维度的归一化分值以及所述离线样本在所述n个维度的标签信息，确定所述n个维度分别对应的权重值之后，还包括：
基于所述离线样本在所述n个维度的归一化分值和所述n个维度分别对应的权重值，确定所述离线样本对应的第一融合分值；
基于所述离线样本在所述n个维度的归一化分值和所述n个维度分别对应的参考权重值，确定所述离线样本对应的第二融合分值；
基于所述第一融合分值和所述离线样本在所述n个维度的标签信息，确定第一评价参数；其中，所述第一评价参数用于指示确定出的所述n个维度分别对应的权重值的性能；
基于所述第二融合分值和所述离线样本在所述n个维度的标签信息，确定第二评价参数；其中，所述第二评价参数用于指示所述参考权重值的性能；
在所述第一评价参数和所述第二评价参数的大小关系满足指定条件的情况下，确定所述n个维度分别对应的权重值满足线上使用要求。
9.一种多目标融合评价的权重确定装置，其特征在于，所述装置包括：
分值获取模块，用于获取基于多目标预测得到的离线样本在n个维度的分值，n为大于1的整数；
归一化处理模块，用于对所述n个维度的分值进行归一化处理，得到所述n个维度的归一化分值；其中，所述n个维度的归一化分值属于同一数量级；
权重确定模块，用于基于所述n个维度的归一化分值以及所述离线样本在所述n个维度的标签信息，确定所述n个维度分别对应的权重值；其中，所述权重值用于对所述n个维度的分值进行融合处理，得到融合分值。
10.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如上述权利要求1至8任一项所述的多目标融合评价的权重确定方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现如上述权利要求1至8任一项所述的多目标融合评价的权重确定方法。
CN202011561255.7A 2020-12-25 2020-12-25 多目标融合评价的权重确定方法、装置、设备及存储介质 Active CN112580887B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011561255.7A CN112580887B (zh) 2020-12-25 2020-12-25 多目标融合评价的权重确定方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011561255.7A CN112580887B (zh) 2020-12-25 2020-12-25 多目标融合评价的权重确定方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112580887A CN112580887A (zh) 2021-03-30
CN112580887B true CN112580887B (zh) 2023-12-01

Family

ID=75139940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011561255.7A Active CN112580887B (zh) 2020-12-25 2020-12-25 多目标融合评价的权重确定方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112580887B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420204B (zh) * 2021-05-21 2023-12-26 北京达佳互联信息技术有限公司 目标用户确定方法、装置、电子设备及存储介质

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732058A (zh) * 2014-12-09 2015-06-24 上海交通大学 一种多维度输电设备状态的评估方法
CN106991506A (zh) * 2017-05-16 2017-07-28 深圳先进技术研究院 智能终端及其基于lstm的股票趋势预测方法
CN107403336A (zh) * 2017-06-26 2017-11-28 阿里巴巴集团控股有限公司 基于流数据的评分方法和装置
CN108764684A (zh) * 2018-05-21 2018-11-06 山东大学 基于模糊层次分析法的智能箱式变电站健康状态评估方法
CN109902019A (zh) * 2019-03-11 2019-06-18 北京城市网邻信息技术有限公司 一种基于多维权重的自动化测试分级方法及系统
WO2019218527A1 (zh) * 2018-05-14 2019-11-21 平安科技（深圳）有限公司 多系统相结合的自然语言处理方法及装置
CN110737859A (zh) * 2019-09-09 2020-01-31 苏宁云计算有限公司 一种up主匹配方法及装置
CN110852600A (zh) * 2019-11-07 2020-02-28 江苏税软软件科技有限公司 一种对市场主体动态风险评估的方法
CN110956613A (zh) * 2019-11-07 2020-04-03 成都傅立叶电子科技有限公司 基于图像质量的目标检测算法性能归一化评价方法及系统
CN111080072A (zh) * 2019-11-21 2020-04-28 广州供电局有限公司 配电变压器健康指数评估方法、装置及系统
CN111144941A (zh) * 2019-12-25 2020-05-12 汉海信息技术(上海)有限公司 商户评分的生成方法、装置、设备及可读存储介质
CN111461784A (zh) * 2020-03-31 2020-07-28 华南理工大学 一种基于多模型融合的欺诈行为检测方法
CN111582448A (zh) * 2020-04-30 2020-08-25 广州市百果园信息技术有限公司 一种权重训练方法、装置、计算机设备和存储介质
CN111612307A (zh) * 2020-04-23 2020-09-01 长江勘测规划设计研究有限责任公司 一种量化评估生态调节坝建设必要程度的方法
CN111754107A (zh) * 2020-06-22 2020-10-09 广州虎牙科技有限公司 主播价值评估方法、装置、电子设备和可读存储介质
CN112035541A (zh) * 2020-08-28 2020-12-04 平安科技（深圳）有限公司 客户画像方法、装置、计算机可读存储介质及终端设备

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732058A (zh) * 2014-12-09 2015-06-24 上海交通大学 一种多维度输电设备状态的评估方法
CN106991506A (zh) * 2017-05-16 2017-07-28 深圳先进技术研究院 智能终端及其基于lstm的股票趋势预测方法
CN107403336A (zh) * 2017-06-26 2017-11-28 阿里巴巴集团控股有限公司 基于流数据的评分方法和装置
WO2019218527A1 (zh) * 2018-05-14 2019-11-21 平安科技（深圳）有限公司 多系统相结合的自然语言处理方法及装置
CN108764684A (zh) * 2018-05-21 2018-11-06 山东大学 基于模糊层次分析法的智能箱式变电站健康状态评估方法
CN109902019A (zh) * 2019-03-11 2019-06-18 北京城市网邻信息技术有限公司 一种基于多维权重的自动化测试分级方法及系统
CN110737859A (zh) * 2019-09-09 2020-01-31 苏宁云计算有限公司 一种up主匹配方法及装置
CN110956613A (zh) * 2019-11-07 2020-04-03 成都傅立叶电子科技有限公司 基于图像质量的目标检测算法性能归一化评价方法及系统
CN110852600A (zh) * 2019-11-07 2020-02-28 江苏税软软件科技有限公司 一种对市场主体动态风险评估的方法
CN111080072A (zh) * 2019-11-21 2020-04-28 广州供电局有限公司 配电变压器健康指数评估方法、装置及系统
CN111144941A (zh) * 2019-12-25 2020-05-12 汉海信息技术(上海)有限公司 商户评分的生成方法、装置、设备及可读存储介质
CN111461784A (zh) * 2020-03-31 2020-07-28 华南理工大学 一种基于多模型融合的欺诈行为检测方法
CN111612307A (zh) * 2020-04-23 2020-09-01 长江勘测规划设计研究有限责任公司 一种量化评估生态调节坝建设必要程度的方法
CN111582448A (zh) * 2020-04-30 2020-08-25 广州市百果园信息技术有限公司 一种权重训练方法、装置、计算机设备和存储介质
CN111754107A (zh) * 2020-06-22 2020-10-09 广州虎牙科技有限公司 主播价值评估方法、装置、电子设备和可读存储介质
CN112035541A (zh) * 2020-08-28 2020-12-04 平安科技（深圳）有限公司 客户画像方法、装置、计算机可读存储介质及终端设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于多指标评价优选的风电功率融合预测;刘婷婷;田建艳;王芳;张传辉;;计算机工程与设计(第05期);全文 *
基于用户行为特征的多维度文本聚类;黎万英;黄瑞章;丁志远;陈艳平;徐立洋;;计算机应用(第11期);全文 *
风电功率预测模型的多指标融合评价方法;魏爱雪;田建艳;王芳;金玉雪;;电力系统及其自动化学报(第06期);全文 *

Also Published As

Publication number Publication date
CN112580887A (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
CN111191791B (zh) 基于机器学习模型的图片分类方法、装置及设备
CN112966754B (zh) 样本筛选方法、样本筛选装置及终端设备
CN115512391B (zh) 数据自适应重采样的目标检测模型训练方法、装置及设备
Gao et al. How to improve the application potential of deep learning model in HVAC fault diagnosis: Based on pruning and interpretable deep learning method
CN112580887B (zh) 多目标融合评价的权重确定方法、装置、设备及存储介质
CN110991247B (zh) 一种基于深度学习与nca融合的电子元器件识别方法
CN112766402A (zh) 算法选择方法、装置和电子设备
CN114925270B (zh) 一种会话推荐方法和模型
CN114155388B (zh) 一种图像识别方法、装置、计算机设备和存储介质
CN110728306B (zh) 反向代理评价模型中目标参数选取方法及相关装置
CN116401522A (zh) 一种金融服务动态化推荐方法和装置
CN109934845B (zh) 基于自注意力网络的时序行为捕捉框生成方法及装置
CN111079930A (zh) 数据集质量参数的确定方法、装置及电子设备
CN117197613B (zh) 一种训练图像质量预测模型、图像质量预测的方法及装置
CN112949774A (zh) 神经网络模型的训练方法、装置、计算机设备及存储介质
CN112529078A (zh) 一种业务处理方法、装置及设备
CN117058235A (zh) 跨多种室内场景的视觉定位方法
CN116306981A (zh) 策略确定方法、装置、介质及电子设备
CN113256422B (zh) 分仓账户识别方法、装置、计算机设备和存储介质
CN110348509B (zh) 数据增广参数的调整方法、装置、设备及存储介质
CN114519520B (zh) 模型评估方法、装置及存储介质
CN112182382A (zh) 数据处理方法、电子设备及介质
CN111814051A (zh) 一种资源类型确定方法及装置
CN110851615A (zh) 一种参数共享的知识图谱的补全推演方法及装置
CN118011220B (zh) 一种电池组的荷电状态估计方法、系统和介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant