CN113268665A - 基于随机森林的信息推荐方法、装置、设备及存储介质 - Google Patents
基于随机森林的信息推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113268665A CN113268665A CN202110567670.1A CN202110567670A CN113268665A CN 113268665 A CN113268665 A CN 113268665A CN 202110567670 A CN202110567670 A CN 202110567670A CN 113268665 A CN113268665 A CN 113268665A
- Authority
- CN
- China
- Prior art keywords
- information
- information set
- labeling
- screening
- 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
Links
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000002372 labelling Methods 0.000 claims abstract description 155
- 238000012216 screening Methods 0.000 claims abstract description 154
- 238000013145 classification model Methods 0.000 claims abstract description 107
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000013136 deep learning model Methods 0.000 claims description 94
- 238000012360 testing method Methods 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims 1
- 230000006870 function Effects 0.000 description 23
- 238000011176 pooling Methods 0.000 description 12
- 230000004913 activation Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及智能决策领域，揭露一种信息推荐方法，包括：利用第一标注信息集训练第一模型，得到第一信息分类模型；对待标注信息集进行信息筛选，得到筛选信息集；利用第一信息分类模型对筛选信息集进行分类标注，得到第二标注信息集；利用第一标注信息集及第二标注信息集对第二模型进行训练，得到目标信息分类模型，并利用该目标信息分类模型对待分类信息集进行分类，得到分类结果；利用分类结果对待分类信息集进行筛选，得到目标待分类信息集，将目标待分类信息集进行信息推荐。本发明还涉及一种区块链技术，所述标注信息集可以存储在区块链节点中。本发明还提出一种基于随机森林的信息推荐装置、设备以及介质。本发明可以提高信息推荐的准确率。
Description
技术领域
本发明涉及智能决策领域，尤其涉及一种基于随机森林的信息推荐方法、装置、设备及存储介质。
背景技术
随着国家经济的快速发展，单纯的依靠业务员去拓展业务已经跟不上目前经济的发展速度；
目前已经使用利用根据标注业务状态的业务数据训练人工智能模型对业务员进行相关业务信息推荐的方法，以便业务员可以有针对的进行业务开展，提高业务开展的成功率。
但是，由于业务开展的周期较长，业务数据的标注困难，因此训练样本较少，导致训练的模型的性能较低，信息推荐的准确率不高。
发明内容
本发明提供一种基于随机森林的信息推荐方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高信息推荐的准确率。
为实现上述目的，本发明提供的一种基于随机森林的信息推荐方法，包括：
获取第一标注信息集，利用所述第一标注信息集对预构建的第一深度学习模型进行训练，得到第一信息分类模型；
获取待标注信息集，对所述待标注信息集进行信息筛选，得到筛选信息集；
利用所述第一信息分类模型对所述筛选信息集进行分类标注，得到第二标注信息集；
合并所述第一标注信息集和所述第二标注信息集，得到标注信息集；利用所述标注信息集对预构建的第二深度学习模型进行迭代标注训练，得到目标信息分类模型；
当接收待分类信息集时，利用所述目标信息分类模型对所述待分类信息集中的每个待分类信息进行分类，得到对应的分类结果；
根据预设的推荐数量及所述分类结果对所述待分类信息集进行筛选，得到目标待分类信息集，将所述目标待分类信息集推送至预设的终端设备。
可选地，所述利用所述第一标注信息集对预构建的第一深度学习模型进行训练，得到第一信息分类模型，包括：
利用预设的属性序列对所述第一标注信息集中的每个标注信息进行匹配筛选，得到筛选标注信息；
汇总所有的所述筛选标注信息，得到筛选标注信息集；
利用所述筛选标注信息集对所述第一深度学习模型进行训练，得到所述第一信息分类模型。
可选地所述利用所述筛选标注信息集对所述第一深度学习模型进行训练，得到所述第一信息分类模型，包括：
样本构建步骤：在所述筛选标注信息集中随机选取预设数量的筛选标注信息，得到样本信息集；
模型训练步骤：利用所述第一深度学习模型对所述样本信息集中的每个筛选标注信息进行分析，得到对应的分析数据；
参数更新步骤：根据所述分析数据和所述样本信息集中每个筛选标注信息对应的类别标签计算所述第一深度学习模型的精度，若所述精度大于或等于预设精度阈值，更新所述第一深度学习模型的参数，返回所述样本构建步骤；
模型输出步骤：所述精度小于预设精度阈值，得到并输出所述第一信息分类模型。
可选地，所述利用所述标注信息集对预构建的第二深度学习模型进行迭代标注训练，得到目标信息分类模型，包括：
步骤I：利用所述标注信息集对预构建的第二深度学习模型进行迭代训练，得到第二信息分类模型；
步骤II：利用预设的测试信息集对所述第二信息分类模型进行分类测试，得出分类准确率，判断所述第二信息分类模型的分类准确率是否大于或等于预设准确阈值；
步骤III：若所述第二信息分类模型的分类准确率小于预设准确阈值，更新所述标注信息集及所述第二深度学习模型，并返回所述步骤I；若所述第二信息分类模型的分类准确率大于或等于预设准确阈值，将所述第二信息分类模型作为所述目标信息分类模型。
可选地，所述更新所述标注信息集及所述第二深度学习模型，包括：
利用所述第二信息分类模型对所述待标注信息集进行分类标注，得到更新后的第二标注信息集，
合并所述标注信息集和所述第二标注信息集，得到更新后的标注信息集；
增加或删除所述第二深度学习模型的结构，得到更新后的第二深度学习模型。
可选地，所述利用预设的测试信息集对所述第二信息分类模型进行分类测试，得出分类准确率，包括：
利用所述第二信息分类模型对所述测试信息集中的每个信息进行分类，得到对应的分类结果；
根据所述测试信息集中每个信息的类别标签与对应的所述分类结果进行一致性比对，得到比对结果；
根据所述比对结果进行百分比计算，得到所述分类准确率。
可选地，所述根据预设的推荐数量及所述分类结果对所述待分类信息集进行筛选，得到目标待分类信息集，包括：
筛选所述信息集中所述分类结果为预设类别的待分类信息，得到初始待分类信息集；
根据所述推荐数量随机筛选所述初始待分类信息集中对应数量的待分类信息，得到所述目标待分类信息集。
为了解决上述问题，本发明还提供一种基于随机森林的信息推荐装置，所述装置包括：
模型训练模块，用于获取第一标注信息集，利用所述第一标注信息集对预构建的第一深度学习模型进行训练，得到第一信息分类模型；获取待标注信息集，对所述待标注信息集进行信息筛选，得到筛选信息集；利用所述第一信息分类模型对所述筛选信息集进行分类标注，得到第二标注信息集；合并所述第一标注信息集和所述第二标注信息集，得到标注信息集；利用所述标注信息集对预构建的第二深度学习模型进行迭代标注训练，得到目标信息分类模型；
模型分类模块，用于当接收待分类信息集时，利用所述目标信息分类模型对所述待分类信息集中的每个待分类信息进行分类，得到对应的分类结果；
信息推荐模块，用于根据预设的推荐数量及所述分类结果对所述待分类信息集进行筛选，得到目标待分类信息集，将所述目标待分类信息集推送至预设的终端设备。
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，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的基于随机森林的信息推荐方法。
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计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于随机森林的信息推荐方法。
本发明实施例利用第一标注信息集对预构建的第一深度学习模型进行训练，得到第一信息分类模型，并利用所述第一信息分类模型对筛选信息集进行分类标注，得到利用模型进行标注的第二标注信息集，提高标注效率；进一步利用由第一标注信息集和第二标注信息集汇总得到的标注信息集对预构建的第二深度学习模型进行迭代标注训练，由于标注信息数量增多，因此得到目标信息分类模型精度更高；最后，通过训练后的模型进行信息分类筛选推荐，提高的信息推荐的准确率。因此本发明实施例提出的基于随机森林的信息推荐方法、装置、电子设备及可读存储介质提高了信息推荐的准确率。
附图说明
图1为本发明一实施例提供的基于随机森林的信息推荐方法的流程示意图；
图2为本发明一实施例提供的基于随机森林的信息推荐装置的模块示意图；
图3为本发明一实施例提供的实现基于随机森林的信息推荐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。
本发明实施例提供一种基于随机森林的信息推荐方法。所述基于随机森林的信息推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于随机森林的信息推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示的本发明一实施例提供的基于随机森林的信息推荐方法的流程示意图，在本发明实施例中，所述基于随机森林的信息推荐方法包括：
S1、获取第一标注信息集，利用所述第一标注信息集对预构建的第一深度学习模型进行训练，得到第一信息分类模型；
本发明实施例中所述第一标注信息集为标注信息的集合，其中，所述标注信息为标注有类别标签的信息，所述信息为某员工的历史业务数据，其中，所述类别标签为对应的历史业务数据的完成状态，如：成功或失败；由于业务完成的周期相对较长，无法确定对应的完成状态，因此，信息的标注比较困难，所述第一标注信息集不易获取。
进一步地，本发明实施例，为了减少所述第一标注信息集中无用数据的干扰，对所述第一标注信息集进行信息筛选，得到筛选标注信息集。
详细地，本发明实施例对所述第一标注信息集进行信息筛选，得到筛选标注信息集，包括：利用预设的属性序列对所述第一标注信息集中的每个标注信息进行匹配筛选，得到筛选标注信息；汇总所有的所述筛选标注信息，得到筛选标注信息集。例如：所述属性序列中包含有不同的特征属性如年龄、性别、驾龄、出现次数等，对应的属性序列为[年龄，性别，驾龄，出险次数]，需要匹配的标注信息中的数据为年龄45岁、性别男、驾龄3年、出险次数两次、业务代码001，那么匹配筛选得到筛选标注信息为[年龄：45，性别：男，驾龄：3，出险次数:2]，进一步地，筛选过程不会影响对应的对应的类别标签，筛选标注信息与对应的标注信息具有相同的类别标签。
进一步地，本发明实施例利用所述筛选标注信息集对所述第一深度学习模型进行训练，得到所述第一信息分类模型，其中，所述第一深度模型为随机森林模型，所述利用所述筛选标注信息集对预构建的第一深度学习模型进行训练，包括：
样本构建步骤：在所述筛选标注信息集中随机选取预设数量的筛选标注信息，得到样本信息集；
模型训练步骤：利用所述第一深度学习模型对所述样本信息集中的每个筛选标注信息进行分析，得到对应的分析数据；
详细地，本发明实施例中每个筛选标注信息对应一个分析数据。
参数更新步骤：根据所述分析数据和所述样本信息集中每个筛选标注信息对应的类别标签计算所述第一深度学习模型的精度，若所述精度大于或等于预设精度阈值，更新所述第一深度学习模型的参数，返回所述样本构建步骤；
详细地，本发明实施例中根据所述分析数据和所述样本信息集中每个筛选标注信息对应的类别标签计算所述第一深度学习模型的精度，包括：根据所述类别标签确认对应的标签真实值；计算所述标签真实值与所述分析数据之间的相关系数及误差系数，得到所述精度。所述精度包含所述相关系数及所述误差系数。
可选地，所述相关系数rsq可用如下公式进行计算：
可选地，所述误差系数mse可用如下公式进行计算：
在以上两个公式当中，n代表样本信息集中筛选标注信息的数量，xi代表样本信息集中第i个筛选标注信息(i＝1，2，3，…，n)，F(xi)代表第一深度学习模型根据样本信息集中第i个筛选标注信息输出的分析数据，yi代表样本信息集中第i个筛选标注信息对应的类别标签对应的标签真实值，如类别标签为“成功”对应的标签真实值为1，类别标签为“失败”对应的标签真实值为0。根据相关系数和误差系数得到第一深度学习模型的精度，相关系数rsq的值越大，并且误差系数mse的值越小，就说明构建的第一深度学习模型的精度越好。。
模型输出步骤：所述精度小于预设精度阈值，得到并输出所述第一信息分类模型。
本发明另一实施例中，所述第一深度学习模型还可以为卷积神经网络模型；利用所述筛选标注信息集对所述第一深度学习模型进行训练，得到所述第一信息分类模型，包括：
步骤A：利用所述第一深度学习模型对所述筛选标注信息集进行预设次数的卷积池化操作，得到特征集；
详细地，将所述筛选标注信息集输入所述第一深度学习模型，进一步地，由所述第一深度学习模型隐含层的卷积层对所述筛选标注信息集每个筛选信息进行卷积，得到卷积数据集，再由池化层对所述卷积数据进行池化，得到特征数据，汇总所有所述特征数据得到所述特征集。
步骤B：利用预设的激活函数对所述特征集中的每个特征数据进行计算，得到每个特征数据对应的标签分析值；
可选地，本发明实施例中所述激活函数为Relu函数。
步骤C：根据所述特征数据对应的筛选标注信息的类别标签确认对应的标签真实值，并利用预构建的损失函数计算所述标签分析值及所述标签真实值之间的损失值；
本发明实施例中所述标签真实值由所述筛选标注信对应的类别标签确定的，如：筛选标注信息甲的类别标签为“成功”标签，那么对应的标签真实值为为1，筛选标注信息甲的类别标签为“失败”标签，那么对应的标签真实值为为0。
步骤D：若所述损失值大于或等于预设阈值，更新所述第一深度学习模型的参数，返回上述的步骤A；
步骤E：若所述损失值小于预设阈值，得到并输出所述第一信息分类模型。
详细地，所述卷积池化操作包括：卷积操作和池化操作。
进一步地，所述卷积操作通道变化为：
其中，ω’为卷积数据集中数据的通道数，ω为所述筛选标注信息集中对应的筛选信息的通道数，k为预设卷积核的大小，f为预设卷积操作的步幅，p为预设数据补零矩阵。
较佳地，本发明实施例中所述池化操作为对所述卷积数据集进行最大池化操作得到所述特征集。
进一步地，本发明较佳实施例所述激活函数包括：
其中，μt表示所述标签分析值，s表示所述特征集中的特征数据。
详细地，本发明较佳实施例所述损失函数包括：
其中，Lce表示所述损失值，N为所述标注信息集的信息的总数目，j为正整数，表示所述筛选标注信息集中信息的编号，yj为所述筛选标注信息集不同编号的筛选信息对应的所述标签真实值，pj为所述筛选标注信息集不同编号的筛选信息对应的所述标签分析值。
S2、获取待标注信息集，对所述待标注信息集进行信息筛选，得到筛选信息集；
本发明实施例中，所述待标注信息集为待标注信息的集合，所述待标注信息为没有类别标签标注的某员工的未进行的业务数据，其中，所述未进行的业务数据与所述历史业务数据的类型相同内容不同。
进一步的，本发明实施例中为了减少所述待标注信息集中无用数据的干扰，对所述待标注信息集进行信息筛选，包括：利用预设的属性序列对所述待标注信息集中的每个标注信息进行匹配筛选，得到筛选信息；汇总所有的所述筛选信息，得到筛选信息集。例如：所述属性序列中包含有不同的特征属性如年龄、性别、驾龄、出现次数等，对应的属性序列为[年龄，性别，驾龄，出险次数]，需要匹配的标注信息中的数据为年龄45岁、性别男、驾龄3年、出险次数两次、业务代码001，那么匹配筛选得到筛选信息为[年龄：45，性别：男，驾龄：3，出险次数:2]。
S3、利用所述第一信息分类模型对所述筛选信息集进行分类标注，得到第二标注信息集；
本发明实施例中，利用所述第一信息分类模型对所述筛选信息集中每个筛选信息进行分类，得到对应的信息分类结果；利用所述信息分类结果对所述筛选信息集中的每个筛选信息进行标签标记，得到所述第二标注信息集。如：筛选信息A对应的信息分类结果为“成功”，那么对筛选信息A标记“成功”标签。
S4、合并所述第一标注信息集和所述第二标注信息集，得到标注信息集；利用所述标注信息集对预构建的第二深度学习模型进行迭代标注训练，得到目标信息分类模型；
本发明实施例中，为了提高模型训练精度，合并所述第一标注信息集和所述第二标注信息集，得到标注信息集。
本发明的另一实施例中，利用区块链高吞吐的特性，将所述标注信息集存储在区块链节点中，提高数据的存取效率。
本发明实施例为了使模型更好的进行分类，利用所述标注信息集对预构建的第二深度学习模型进行迭代标注训练，包括：
步骤I：利用所述标注信息集对预构建的第二深度学习模型进行迭代训练，得到第二信息分类模型；
本发明实施例中，所述步骤I的训练方式与上述S1相同，在此不再赘述。
步骤II：利用预设的测试信息集对所述第二信息分类模型进行分类测试，得出分类准确率，判断所述第二信息分类模型的分类准确率是否大于或等于预设准确阈值；
详细地，为了确保第二信息分类模型能否准确的对信息进行分类，需判断所述第二信息分类模型的分类准确率是否满足预设阈值。
进一步地，本发明实施例利用预设的测试信息集对所述第二信息分类模型进行分类测试，得出分类准确率，包括：利用所述第二信息分类模型对所述测试信息集中的每个信息进行分类，得到对应的分类结果，其中，所述测试信息集中的信息为标注有类别标签的信息；根据所述测试信息集中每个信息的类别标签与对应的所述分类结果进行一致性比对，得到比对结果；根据所述比对结果进行百分比计算，得到所述分类准确率，例如：所述测试信息集中共有100个信息，比对结果为95个信息的类别标签与对应的所述分类结果一致，5个不一致，那么分类准确率为95/100*100％＝95％。
步骤III：若所述第二信息分类模型的分类准确率小于预设准确阈值，更新所述标注信息集及所述第二深度学习模型，并返回所述步骤I；若所述第二信息分类模型的分类准确率大于或等于预设准确阈值，将所述第二信息分类模型作为所述目标信息分类模型；
详细地，如预设准确阈值为95％，若所述第二信息分类模型的分类准确率小于95％，则更新所述标注信息集和第二深度学习模型，并用所述更新后的信息集对所述更新后的深度学习模型进行迭代训练，直至所述第二信息分类模型的分类准确率大于或等于95％。
进一步地，本发明实施例中所述更新所述标注信息集及所述第二深度学习模型，包括：利用所述第二信息分类模型对所述待标注信息集进行分类标注，得到更新后的第二标注信息集，合并所述标注信息集和所述第二标注信息集，得到更新后的标注信息集；将所述第二深度学习模型进行结构调整，得到更新后的第二深度学习模型，详细地，所述更新后的第二深度学习模型为经过结构调整的所述第二深度学习模型，包括增加或删除所述第二深度学习模型的结构，如增加或删除决策树的数量。
本发明另一实施例中，所述增加或删除所述第二深度学习模型的结构，如增加或删除卷积层、池化层，修改所述激活函数、损失函数的参数等。
S5、当接收待分类信息集时，利用所述目标信息分类模型对所述待分类信息集中的每个待分类信息进行分类，得到对应的分类结果；
本发明实施例中，所述待分类信息集中待分类信息为与所述待标注信息类型相同内容不同的数据。
详细地，本发明实施例中将所述待分类信息集中的每个待分类信息输入至所述目标信息分类模型，得到对应的分类结果。
S6、根据预设的推荐数量及所述分类结果对所述待分类信息集进行筛选，得到目标待分类信息集，将所述目标待分类信息集推送至预设的终端设备。
本发明实施例中所述预设的推荐数量为需要推荐的数据数量。
进一步地，本发明实施例中，根据预设的推荐数量及所述分类结果对所述分类信息集进行筛选，包括：筛选所述信息集中所述分类结果为预设类别的待分类信息，得到初始待分类信息集；进一步地，根据所述推荐数量随机筛选所述初始待分类信息集中对应数量的待分类信息，得到所述目标待分类信息集。
进一步地，本发明实施例本发明将所述目标待分类信息集发送至预设的终端设备，可选地，所述终端设备包括：电脑、手机、平板等智能终端设备。
如图2所示，是本发明基于随机森林的信息推荐装置的功能模块图。
本发明所述基于随机森林的信息推荐装置100可以安装于电子设备中。根据实现的功能，所述基于随机森林的信息推荐装置可以包括数据分类模块101、数据筛选模块102、信息推荐模块103，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：
所述模型训练模块101用于获取第一标注信息集，利用所述第一标注信息集对预构建的第一深度学习模型进行训练，得到第一信息分类模型；获取待标注信息集，对所述待标注信息集进行信息筛选，得到筛选信息集；利用所述第一信息分类模型对所述筛选信息集进行分类标注，得到第二标注信息集；合并所述第一标注信息集和所述第二标注信息集，得到标注信息集；利用所述标注信息集对预构建的第二深度学习模型进行迭代标注训练，得到目标信息分类模型；
本发明实施例中所述第一标注信息集为标注信息的集合，其中，所述标注信息为标注有类别标签的信息，所述信息为某员工的历史业务数据，其中，所述类别标签为对应的历史业务数据的完成状态，如：成功或失败；由于业务完成的周期相对较长，无法确定对应的完成状态，因此，信息的标注比较困难，所述第一标注信息集不易获取。
进一步地，本发明实施例，为了减少所述第一标注信息集中无用数据的干扰，所述模型训练模块101对所述第一标注信息集进行信息筛选，得到筛选标注信息集。
详细地，本发明实施例所述模型训练模块101对所述第一标注信息集进行信息筛选，得到筛选标注信息集，包括：利用预设的属性序列对所述第一标注信息集中的每个标注信息进行匹配筛选，得到筛选标注信息；汇总所有的所述筛选标注信息，得到筛选标注信息集。例如：所述属性序列中包含有不同的特征属性如年龄、性别、驾龄、出现次数等，对应的属性序列为[年龄，性别，驾龄，出险次数]，需要匹配的标注信息中的数据为年龄45岁、性别男、驾龄3年、出险次数两次、业务代码001，那么匹配筛选得到筛选标注信息为[年龄：45，性别：男，驾龄：3，出险次数:2]，进一步地，筛选过程不会影响对应的对应的类别标签，筛选标注信息与对应的标注信息具有相同的类别标签。
进一步地，本发明实施例所述模型训练模块101利用所述筛选标注信息集对所述第一深度学习模型进行训练，得到所述第一信息分类模型，其中，所述第一深度模型为随机森林模型，所述模型训练模块101利用如下手段对预构建的第一深度学习模型进行训练，包括：
样本构建步骤：在所述筛选标注信息集中随机选取预设数量的筛选标注信息，得到样本信息集；
模型训练步骤：利用所述第一深度学习模型对所述样本信息集中的每个筛选标注信息进行分析，得到对应的分析数据；
详细地，本发明实施例中每个筛选标注信息对应一个分析数据。
参数更新步骤：根据所述分析数据和所述样本信息集中每个筛选标注信息对应的类别标签计算所述第一深度学习模型的精度，若所述精度大于或等于预设精度阈值，更新所述第一深度学习模型的参数，返回所述样本构建步骤；
详细地，本发明实施例中根据所述分析数据和所述样本信息集中每个筛选标注信息对应的类别标签计算所述第一深度学习模型的精度，包括：根据所述类别标签确认对应的标签真实值；计算所述标签真实值与所述分析数据之间的相关系数及误差系数，得到所述精度。所述精度包含所述相关系数及所述误差系数。
可选地，所述相关系数rsq可用如下公式进行计算：
可选地，所述误差系数mse可用如下公式进行计算：
在以上两个公式当中，n代表样本信息集中筛选标注信息的数量，xi代表样本信息集中第i个筛选标注信息(i＝1，2，3，…，n)，F(xi)代表第一深度学习模型根据样本信息集中第i个筛选标注信息输出的分析数据，yi代表样本信息集中第i个筛选标注信息对应的类别标签对应的标签真实值，如类别标签为“成功”对应的标签真实值为1，类别标签为“失败”对应的标签真实值为0。根据相关系数和误差系数得到第一深度学习模型的精度，相关系数rsq的值越大，并且误差系数mse的值越小，就说明构建的第一深度学习模型的精度越好。。
模型输出步骤：所述精度小于预设精度阈值，得到并输出所述第一信息分类模型。
本发明另一实施例中，所述第一深度学习模型还可以为卷积神经网络模型；所述模型训练模块101利用所述筛选标注信息集对所述第一深度学习模型进行训练，得到所述第一信息分类模型，包括：
步骤A：利用所述第一深度学习模型对所述筛选标注信息集进行预设次数的卷积池化操作，得到特征集；
详细地，将所述筛选标注信息集输入所述第一深度学习模型，进一步地，由所述第一深度学习模型隐含层的卷积层对所述筛选标注信息集每个筛选信息进行卷积，得到卷积数据集，再由池化层对所述卷积数据进行池化，得到特征数据，汇总所有所述特征数据得到所述特征集。
步骤B：利用预设的激活函数对所述特征集中的每个特征数据进行计算，得到每个特征数据对应的标签分析值；
可选地，本发明实施例中所述激活函数为Relu函数。
步骤C：根据所述特征数据对应的筛选标注信息的类别标签确认对应的标签真实值，并利用预构建的损失函数计算所述标签分析值及所述标签真实值之间的损失值；
本发明实施例中所述标签真实值由所述筛选标注信对应的类别标签确定的，如：筛选标注信息甲的类别标签为“成功”标签，那么对应的标签真实值为为1，筛选标注信息甲的类别标签为“失败”标签，那么对应的标签真实值为为0。
步骤D：若所述损失值大于或等于预设阈值，更新所述第一深度学习模型的参数，返回上述的步骤A；
步骤E：若所述损失值小于预设阈值，得到并输出所述第一信息分类模型。
详细地，所述卷积池化操作包括：卷积操作和池化操作。
进一步地，所述卷积操作通道变化为：
其中，ω’为卷积数据集中数据的通道数，ω为所述筛选标注信息集中对应的筛选信息的通道数，k为预设卷积核的大小，f为预设卷积操作的步幅，p为预设数据补零矩阵。
较佳地，本发明实施例中所述池化操作为对所述卷积数据集进行最大池化操作得到所述特征集。
进一步地，本发明较佳实施例所述激活函数包括：
其中，μt表示所述标签分析值，s表示所述特征集中的特征数据。
详细地，本发明较佳实施例所述损失函数包括：
其中，Lce表示所述损失值，N为所述标注信息集的信息的总数目，j为正整数，表示所述筛选标注信息集中信息的编号，yj为所述筛选标注信息集不同编号的筛选信息对应的所述标签真实值，pj为所述筛选标注信息集不同编号的筛选信息对应的所述标签分析值。
本发明实施例中，所述待标注信息集为待标注信息的集合，所述待标注信息为没有类别标签标注的某员工的未进行的业务数据，其中，所述未进行的业务数据与所述历史业务数据的类型相同内容不同。
进一步的，本发明实施例中为了减少所述待标注信息集中无用数据的干扰，所述模型训练模块101对所述待标注信息集进行信息筛选，包括：利用预设的属性序列对所述待标注信息集中的每个标注信息进行匹配筛选，得到筛选信息；汇总所有的所述筛选信息，得到筛选信息集。例如：所述属性序列中包含有不同的特征属性如年龄、性别、驾龄、出现次数等，对应的属性序列为[年龄，性别，驾龄，出险次数]，需要匹配的标注信息中的数据为年龄45岁、性别男、驾龄3年、出险次数两次、业务代码001，那么匹配筛选得到筛选信息为[年龄：45，性别：男，驾龄：3，出险次数:2]。
本发明实施例中，所述模型训练模块101利用所述第一信息分类模型对所述筛选信息集中每个筛选信息进行分类，得到对应的信息分类结果；利用所述信息分类结果对所述筛选信息集中的每个筛选信息进行标签标记，得到所述第二标注信息集。如：筛选信息A对应的信息分类结果为“成功”，那么对筛选信息A标记“成功”标签。
本发明实施例中，为了提高模型训练精度，合并所述第一标注信息集和所述第二标注信息集，得到标注信息集。
本发明的另一实施例中，利用区块链高吞吐的特性，将所述标注信息集存储在区块链节点中，提高数据的存取效率。
本发明实施例为了使模型更好的进行分类，所述模型训练模块101利用如下手段对预构建的第二深度学习模型进行迭代标注训练，包括：
步骤I：利用所述标注信息集对预构建的第二深度学习模型进行迭代训练，得到第二信息分类模型；
本发明实施例中，所述步骤I的训练方式与上述S1相同，在此不再赘述。
步骤II：利用预设的测试信息集对所述第二信息分类模型进行分类测试，得出分类准确率，判断所述第二信息分类模型的分类准确率是否大于或等于预设准确阈值；
详细地，为了确保第二信息分类模型能否准确的对信息进行分类，需判断所述第二信息分类模型的分类准确率是否满足预设阈值。
进一步地，本发明实施例所述模型训练模块101利用预设的测试信息集对所述第二信息分类模型进行分类测试，得出分类准确率，包括：利用所述第二信息分类模型对所述测试信息集中的每个信息进行分类，得到对应的分类结果，其中，所述测试信息集中的信息为标注有类别标签的信息；根据所述测试信息集中每个信息的类别标签与对应的所述分类结果进行一致性比对，得到比对结果；根据所述比对结果进行百分比计算，得到所述分类准确率，例如：所述测试信息集中共有100个信息，比对结果为95个信息的类别标签与对应的所述分类结果一致，5个不一致，那么分类准确率为95/100*100％＝95％。
步骤III：若所述第二信息分类模型的分类准确率小于预设准确阈值，更新所述标注信息集及所述第二深度学习模型，并返回所述步骤I；若所述第二信息分类模型的分类准确率大于或等于预设准确阈值，将所述第二信息分类模型作为所述目标信息分类模型；
详细地，如预设准确阈值为95％，若所述第二信息分类模型的分类准确率小于95％，则更新所述标注信息集和第二深度学习模型，并用所述更新后的信息集对所述更新后的深度学习模型进行迭代训练，直至所述第二信息分类模型的分类准确率大于或等于95％。
进一步地，本发明实施例中所述模型训练模块101更新所述标注信息集及所述第二深度学习模型，包括：利用所述第二信息分类模型对所述待标注信息集进行分类标注，得到更新后的第二标注信息集，合并所述标注信息集和所述第二标注信息集，得到更新后的标注信息集；将所述第二深度学习模型进行结构调整，得到更新后的第二深度学习模型，详细地，所述更新后的第二深度学习模型为经过结构调整的所述第二深度学习模型，包括增加或删除所述第二深度学习模型的结构，如增加或删除决策树的数量。
本发明另一实施例中，所述增加或删除所述第二深度学习模型的结构，如增加或删除卷积层、池化层，修改所述激活函数、损失函数的参数等。
所述模型分类模块102用于当接收待分类信息集时，利用所述目标信息分类模型对所述待分类信息集中的每个待分类信息进行分类，得到对应的分类结果；
本发明实施例中，所述待分类信息集中待分类信息为与所述待标注信息类型相同内容不同的数据。
详细地，本发明实施例中所述模型分类模块102将所述待分类信息集中的每个待分类信息输入至所述目标信息分类模型，得到对应的分类结果。
所述信息推荐模块103用于根据预设的推荐数量及所述分类结果对所述待分类信息集进行筛选，得到目标待分类信息集，将所述目标待分类信息集推送至预设的终端设备。
本发明实施例中所述预设的推荐数量为需要推荐的数据数量。
进一步地，本发明实施例中，所述信息推荐模块103根据预设的推荐数量及所述分类结果对所述分类信息集进行筛选，包括：筛选所述信息集中所述分类结果为预设类别的待分类信息，得到初始待分类信息集；进一步地，根据所述推荐数量随机筛选所述初始待分类信息集中对应数量的待分类信息，得到所述目标待分类信息集。
进一步地，本发明实施例本发明将所述目标待分类信息集发送至预设的终端设备，可选地，所述终端设备包括：电脑、手机、平板等智能终端设备。
如图3所示，是本发明实现基于随机森林的信息推荐方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13，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，如基于随机森林的信息推荐程序。
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的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备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的应用软件及各类数据，例如基于随机森林的信息推荐程序的代码等，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(例如基于随机森林的信息推荐程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，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。所述通信总线12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。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选地，所述通信接口13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与其他电子设备之间建立通信连接。
可选地，所述通信接口13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中处理的信息以及用于显示可视化的用户界面。
图3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3示出的结构并不构成对所述电子设备的限定，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。
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。
所述电子设备中的所述存储器11存储的基于随机森林的信息推荐程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取第一标注信息集，利用所述第一标注信息集对预构建的第一深度学习模型进行训练，得到第一信息分类模型；
获取待标注信息集，对所述待标注信息集进行信息筛选，得到筛选信息集；
利用所述第一信息分类模型对所述筛选信息集进行分类标注，得到第二标注信息集；
合并所述第一标注信息集和所述第二标注信息集，得到标注信息集；利用所述标注信息集对预构建的第二深度学习模型进行迭代标注训练，得到目标信息分类模型；
当接收待分类信息集时，利用所述目标信息分类模型对所述待分类信息集中的每个待分类信息进行分类，得到对应的分类结果；
根据预设的推荐数量及所述分类结果对所述待分类信息集进行筛选，得到目标待分类信息集，将所述目标待分类信息集推送至预设的终端设备。
具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1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，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的，也可以是易失性的。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)。
本发明实施例还可以提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取第一标注信息集，利用所述第一标注信息集对预构建的第一深度学习模型进行训练，得到第一信息分类模型；
获取待标注信息集，对所述待标注信息集进行信息筛选，得到筛选信息集；
利用所述第一信息分类模型对所述筛选信息集进行分类标注，得到第二标注信息集；
合并所述第一标注信息集和所述第二标注信息集，得到标注信息集；利用所述标注信息集对预构建的第二深度学习模型进行迭代标注训练，得到目标信息分类模型；
当接收待分类信息集时，利用所述目标信息分类模型对所述待分类信息集中的每个待分类信息进行分类，得到对应的分类结果；
根据预设的推荐数量及所述分类结果对所述待分类信息集进行筛选，得到目标待分类信息集，将所述目标待分类信息集推送至预设的终端设备。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
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。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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)
1.一种基于随机森林的信息推荐方法，其特征在于，所述方法包括：
获取第一标注信息集，利用所述第一标注信息集对预构建的第一深度学习模型进行训练，得到第一信息分类模型；
获取待标注信息集，对所述待标注信息集进行信息筛选，得到筛选信息集；
利用所述第一信息分类模型对所述筛选信息集进行分类标注，得到第二标注信息集；
合并所述第一标注信息集和所述第二标注信息集，得到标注信息集；
利用所述标注信息集对预构建的第二深度学习模型进行迭代标注训练，得到目标信息分类模型；
当接收待分类信息集时，利用所述目标信息分类模型对所述待分类信息集中的每个待分类信息进行分类，得到对应的分类结果；
根据预设的推荐数量及所述分类结果对所述待分类信息集进行筛选，得到目标待分类信息集，将所述目标待分类信息集推送至预设的终端设备。
2.如权利要求1所述的基于随机森林的信息推荐方法，其特征在于，所述利用所述第一标注信息集对预构建的第一深度学习模型进行训练，得到第一信息分类模型，包括：
利用预设的属性序列对所述第一标注信息集中的每个标注信息进行匹配筛选，得到筛选标注信息；
汇总所有的所述筛选标注信息，得到筛选标注信息集；
利用所述筛选标注信息集对所述第一深度学习模型进行训练，得到所述第一信息分类模型。
3.如权利要求2所述的基于随机森林的信息推荐方法，其特征在于，所述利用所述筛选标注信息集对所述第一深度学习模型进行训练，得到所述第一信息分类模型，包括：
样本构建步骤：在所述筛选标注信息集中随机选取预设数量的筛选标注信息，得到样本信息集；
模型训练步骤：利用所述第一深度学习模型对所述样本信息集中的每个筛选标注信息进行分析，得到对应的分析数据；
参数更新步骤：根据所述分析数据和所述样本信息集中每个筛选标注信息对应的类别标签计算所述第一深度学习模型的精度，若所述精度大于或等于预设精度阈值，更新所述第一深度学习模型的参数，返回所述样本构建步骤；
模型输出步骤：所述精度小于预设精度阈值，得到并输出所述第一信息分类模型。
4.如权利要求1所述的基于随机森林的信息推荐方法，其特征在于，所述利用所述标注信息集对预构建的第二深度学习模型进行迭代标注训练，得到目标信息分类模型，包括：
步骤I：利用所述标注信息集对预构建的第二深度学习模型进行迭代训练，得到第二信息分类模型；
步骤II：利用预设的测试信息集对所述第二信息分类模型进行分类测试，得出分类准确率，判断所述第二信息分类模型的分类准确率是否大于或等于预设准确阈值；
步骤III：若所述第二信息分类模型的分类准确率小于预设准确阈值，更新所述标注信息集及所述第二深度学习模型，并返回所述步骤I；若所述第二信息分类模型的分类准确率大于或等于预设准确阈值，将所述第二信息分类模型作为所述目标信息分类模型。
5.如权利要求4所述的基于随机森林的信息推荐方法，其特征在于，所述更新所述标注信息集及所述第二深度学习模型，包括：
利用所述第二信息分类模型对所述待标注信息集进行分类标注，得到更新后的第二标注信息集，
合并所述标注信息集和所述第二标注信息集，得到更新后的标注信息集；
增加或删除所述第二深度学习模型的结构，得到更新后的第二深度学习模型。
6.如权利要求4所述的基于随机森林的信息推荐方法，其特征在于，所述利用预设的测试信息集对所述第二信息分类模型进行分类测试，得出分类准确率，包括：
利用所述第二信息分类模型对所述测试信息集中的每个信息进行分类，得到对应的分类结果；
根据所述测试信息集中每个信息的类别标签与对应的所述分类结果进行一致性比对，得到比对结果；
根据所述比对结果进行百分比计算，得到所述分类准确率。
7.如权利要求1至6中任意一项所述的基于随机森林的信息推荐方法，其特征在于，所述根据预设的推荐数量及所述分类结果对所述待分类信息集进行筛选，得到目标待分类信息集，包括：
筛选所述信息集中所述分类结果为预设类别的待分类信息，得到初始待分类信息集；
根据所述推荐数量随机筛选所述初始待分类信息集中对应数量的待分类信息，得到所述目标待分类信息集。
8.一种基于随机森林的信息推荐方法，其特征在于，包括：
模型训练模块，用于获取第一标注信息集，利用所述第一标注信息集对预构建的第一深度学习模型进行训练，得到第一信息分类模型；获取待标注信息集，对所述待标注信息集进行信息筛选，得到筛选信息集；利用所述第一信息分类模型对所述筛选信息集进行分类标注，得到第二标注信息集；合并所述第一标注信息集和所述第二标注信息集，得到标注信息集；利用所述标注信息集对预构建的第二深度学习模型进行迭代标注训练，得到目标信息分类模型；
模型分类模块，用于当接收待分类信息集时，利用所述目标信息分类模型对所述待分类信息集中的每个待分类信息进行分类，得到对应的分类结果；
基于随机森林的信息推荐模块，用于根据预设的推荐数量及所述分类结果对所述待分类信息集进行筛选，得到目标待分类信息集，将所述目标待分类信息集推送至预设的终端设备。
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计算机程序，所述计算机程序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中任一项所述的基于随机森林的信息推荐方法。
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中任一项所述的基于随机森林的信息推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110567670.1A CN113268665A (zh) | 2021-05-24 | 2021-05-24 | 基于随机森林的信息推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110567670.1A CN113268665A (zh) | 2021-05-24 | 2021-05-24 | 基于随机森林的信息推荐方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113268665A true CN113268665A (zh) | 2021-08-17 |
Family
ID=77232586
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110567670.1A Pending CN113268665A (zh) | 2021-05-24 | 2021-05-24 | 基于随机森林的信息推荐方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113268665A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113626606A (zh) * | 2021-08-31 | 2021-11-09 | 中国平安财产保险股份有限公司 | 信息分类方法、装置、电子设备及可读存储介质 |
| CN113706204A (zh) * | 2021-08-31 | 2021-11-26 | 中国平安财产保险股份有限公司 | 基于深度学习的权益发放方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898162A (zh) * | 2018-06-08 | 2018-11-27 | 东软集团股份有限公司 | 一种数据标注方法、装置、设备及计算机可读存储介质 |
| CN111209469A (zh) * | 2018-11-16 | 2020-05-29 | 海尔数字科技（上海）有限公司 | 一种个性化推荐方法、装置、计算机设备及存储介质 |
| US20200302234A1 (en) * | 2019-03-22 | 2020-09-24 | Capital One Services, Llc | System and method for efficient generation of machine-learning models |
| CN112149705A (zh) * | 2019-06-28 | 2020-12-29 | 京东数字科技控股有限公司 | 分类模型的训练方法、系统、计算机设备及存储介质 |
| CN112508092A (zh) * | 2020-12-03 | 2021-03-16 | 上海云从企业发展有限公司 | 一种样本筛选方法、系统、设备及介质 |
-
2021
- 2021-05-24 CN CN202110567670.1A patent/CN113268665A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898162A (zh) * | 2018-06-08 | 2018-11-27 | 东软集团股份有限公司 | 一种数据标注方法、装置、设备及计算机可读存储介质 |
| CN111209469A (zh) * | 2018-11-16 | 2020-05-29 | 海尔数字科技（上海）有限公司 | 一种个性化推荐方法、装置、计算机设备及存储介质 |
| US20200302234A1 (en) * | 2019-03-22 | 2020-09-24 | Capital One Services, Llc | System and method for efficient generation of machine-learning models |
| CN112149705A (zh) * | 2019-06-28 | 2020-12-29 | 京东数字科技控股有限公司 | 分类模型的训练方法、系统、计算机设备及存储介质 |
| CN112508092A (zh) * | 2020-12-03 | 2021-03-16 | 上海云从企业发展有限公司 | 一种样本筛选方法、系统、设备及介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113626606A (zh) * | 2021-08-31 | 2021-11-09 | 中国平安财产保险股份有限公司 | 信息分类方法、装置、电子设备及可读存储介质 |
| CN113706204A (zh) * | 2021-08-31 | 2021-11-26 | 中国平安财产保险股份有限公司 | 基于深度学习的权益发放方法、装置、设备及存储介质 |
| CN113626606B (zh) * | 2021-08-31 | 2024-02-13 | 中国平安财产保险股份有限公司 | 信息分类方法、装置、电子设备及可读存储介质 |
| CN113706204B (zh) * | 2021-08-31 | 2024-04-05 | 中国平安财产保险股份有限公司 | 基于深度学习的权益发放方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112883190A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN112418798A (zh) | 信息审核方法、装置、电子设备及存储介质 | |
| CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
| CN113961473A (zh) | 数据测试方法、装置、电子设备及计算机可读存储介质 | |
| CN111652278A (zh) | 用户行为检测方法、装置、电子设备及介质 | |
| CN112860905A (zh) | 文本信息抽取方法、装置、设备及可读存储介质 | |
| CN113688923A (zh) | 订单异常智能检测方法、装置、电子设备及存储介质 | |
| CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
| CN113157927A (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
| CN112528616A (zh) | 业务表单生成方法、装置、电子设备及计算机存储介质 | |
| CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
| CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN113868529A (zh) | 知识推荐方法、装置、电子设备及可读存储介质 | |
| CN114187489B (zh) | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 | |
| CN115018588A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
| CN113658002B (zh) | 基于决策树的交易结果生成方法、装置、电子设备及介质 | |
| CN113505273B (zh) | 基于重复数据筛选的数据排序方法、装置、设备及介质 | |
| CN111930897B (zh) | 专利检索方法、装置、电子设备及计算机可读存储介质 | |
| CN113868528A (zh) | 资讯推荐方法、装置、电子设备及可读存储介质 | |
| CN112801222A (zh) | 基于二分类模型的多分类方法、装置、电子设备及介质 | |
| CN112269875A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN113435308B (zh) | 文本多标签分类方法、装置、设备及存储介质 | |
| CN113591881B (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
| CN115496166A (zh) | 多任务处理方法、装置、电子设备及存储介质 | |
| CN113706019A (zh) | 基于多维数据的业务能力分析方法、装置、设备及介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210817 |