CN113570119A - 基于Xgboost的多任务处理方法、装置及电子设备 - Google Patents
基于Xgboost的多任务处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113570119A CN113570119A CN202110766268.6A CN202110766268A CN113570119A CN 113570119 A CN113570119 A CN 113570119A CN 202110766268 A CN202110766268 A CN 202110766268A CN 113570119 A CN113570119 A CN 113570119A
- Authority
- CN
- China
- Prior art keywords
- task
- current task
- xgboost
- test data
- ith
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012360 testing method Methods 0.000 claims abstract description 105
- 238000012545 processing Methods 0.000 claims abstract description 95
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000003066 decision tree Methods 0.000 claims description 120
- 230000006870 function Effects 0.000 claims description 24
- 238000012163 sequencing technique Methods 0.000 claims description 17
- 230000006855 networking Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 241000220225 Malus Species 0.000 description 5
- 244000061456 Solanum tuberosum Species 0.000 description 5
- 235000002595 Solanum tuberosum Nutrition 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 235000021016 apples Nutrition 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 235000012015 potatoes Nutrition 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- 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
- 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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于Xgboost的多任务处理方法、装置及电子设备,所述方法包括:获取同一渠道的样本数据,并对所述样本数据标注上N个任务对应的N个标签数据;采用所述样本数据和第i标签数据训练N个多任务处理模块,采集互联网服务平台中提供服务的当前任务的测试数据,并根据当前任务类型从存储的N个模型中选取当前任务的最优模型;采用当前任务的最优模型对当前任务的测试数据进行处理。本发明将同一渠道的样本数据,针对不同任务标注上对应的标签数据,再根据样本数据和各个标签数据训练并存储基于Xgboost模型的对应不同任务的模型;避免了单独训练每个任务对应的模型,提高模型处理速度。
Description
技术领域
本发明涉及计算机信息处理技术领域,具体而言,涉及一种基于Xgboost的多任务处理方法、装置、电子设备及计算机可读介质。
背景技术
随着科技的快速发展,人工智能技术被广泛的应用于各个领域,通过机器模型来处理各种任务。
目前,利用模型进行任务处理时,对于每个单独的任务需要单独训练一个模型。而对于包含多个任务的业务时,需要单独训练每个任务对应的模型,再综合每个模型的输出结果得到最终的任务结果。例如:在一种业务中需要识别同时包含人、土豆和苹果的图像,则该业务可以分为以下三个任务:任务1:识别图像中的人脸,任务2:识别图像中的土豆,任务3:识别图像中的苹果,这就需要分别训练三个模型来分别实现上述三种任务,然后,根据这三种模型的识别结果综合确定最终的图像。有比如,在另一种业务中,需要识别中低风险、高动支的用户,则该业务可以分为:识别用户的风险概率和识别用户动作概率两个任务,同样需要训练两个模型来分别实现上述两种任务,然后,根据这两种模型的识别结果综合确定最终的用户。
显然,这种方式需要训练多个模型,在训练样本较多时,需要进行大量的重复计算,影响任务处理速度。同时,每个模型的输出结果相互独立,无法兼顾多任务处理过程中各个任务之间的关联性。
发明内容
有鉴于此,本发明主要目的在于提出一种基于Xgboost的多任务处理方法、装置、电子设备及计算机可读介质,以期至少部分地解决上述技术问题中的至少之一。
为了解决上述技术问题,本发明第一方面提出一种基于Xgboost的多任务处理方法,用于互联网服务平台中处理多个互联网服务任务,所述方法包括:
获取同一渠道的样本数据,并对所述样本数据标注上N个任务对应的N个标签数据;N为大于等于2的自然数;
采用所述样本数据和第i标签数据基于已存储的Xgboost模型的第i-1颗决策树训练第i颗决策树,将训练好的第i颗决策树结构及参数存储为第i颗决策树;并将已存储的i颗决策树作为训练好的第i模型进行存储;其中,i=1,2…N;
采集互联网服务平台中提供服务的当前任务的测试数据,并根据当前任务类型从存储的N个模型中选取当前任务的最优模型;
采用当前任务的最优模型对当前任务的测试数据进行处理,以在联网服务平台中提供服务。
根据本发明一种优选的实施方式,通过Xgboost接口获取已存储Xgboost模型的的第i-1颗决策树,并采用所述样本数据和第i标签数据基于第i-1颗决策树训练第i颗决策树。
根据本发明一种优选的实施方式,所述Xgboost接口为Xgboost.tran函数,所述第i颗决策树输出样本数据对第i任务的预测概率值;或者,所述Xgboost接口为Xgboost.fit函数,所述第i颗决策树输出样本数据对第i任务的预测标签值。
根据本发明一种优选的实施方式,所述Xgboost接口为Xgboost.tran函数,所述第i模型还包括:i个分别与第i模型内i颗决策树连接的排序模块;第i排序模块,用于对第i颗决策树输出的预测概率值进行排序;
所述采用当前任务的最优模型对当前任务的测试数据进行处理,以在联网服务平台中提供服务包括:
将当前任务的测试数据输入所述最优模型中,得到测试数据在m个任务类型的排序序列;m为当前任务所包含的任务类型的个数;
根据测试数据在各个任务类型的排序序列及各个任务类型的权重确定测试数据的最终排序;
根据所述最终排序对测试数据进行处理。
根据本发明一种优选的实施方式,所述Xgboost接口为Xgboost.tran函数,所述采用当前任务的最优模型对当前任务的测试数据进行处理,以在联网服务平台中提供服务包括:
将当前任务的测试数据输入所述最优模型中,得到测试数据在m个任务类型的预测概率值;m为当前任务所包含的任务类型的个数;
根据测试数据在各个任务类型的预测概率值及各个任务类型的权重确定测试数据的最终预测概率值;
根据所述最终预测概率值对测试数据进行处理。
根据本发明一种优选的实施方式,所述Xgboost接口为Xgboost.fit函数,所述采用当前任务的最优模型对当前任务的测试数据进行处理,以在联网服务平台中提供服务包括:
将当前任务的测试数据输入所述最优模型中,得到测试数据在m个任务类型的预测标签值;m为当前任务所包含的任务类型的个数;
根据测试数据在各个任务类型的预测标签值对测试数据进行处理。
根据本发明一种优选的实施方式,所述根据当前任务类型从存储的N个模型中选取当前任务的最优模型包括:
获取当前任务所包含的目标任务类型;
获取与各个目标任务类型匹配的目标决策树;
从N个模型中提取只包含所有目标决策树的模型作为当前任务的最优模型。
为了解决上述技术问题,本发明第二方面提供一种基于Xgboost的多任务处理装置,用于互联网服务平台中处理多个互联网服务任务,所述装置包括:
获取模块,用于获取同一渠道的样本数据,并对所述样本数据标注上N个任务对应的N个标签数据;N为大于等于2的自然数;
训练模块,用于采用所述样本数据和第i标签数据基于已存储的Xgboost模型的第i-1颗决策树训练第i颗决策树,将训练好的第i颗决策树结构及参数存储为第i颗决策树;并将已存储的i颗决策树作为训练好的第i模型进行存储;其中,i=1,2…N;
选取模块,用于采集互联网服务平台中提供服务的当前任务的测试数据,并根据当前任务类型从存储的N个模型中选取当前任务的最优模型;
处理模块,用于采用当前任务的最优模型对当前任务的测试数据进行处理,以在联网服务平台中提供服务。
根据本发明一种优选的实施方式,所述训练模块通过Xgboost接口获取已存储Xgboost模型的的第i-1颗决策树,并采用所述样本数据和第i标签数据基于第i-1颗决策树训练第i颗决策树。
根据本发明一种优选的实施方式,所述Xgboost接口为Xgboost.tran函数,所述第i颗决策树输出样本数据对第i任务的预测概率值;或者,所述Xgboost接口为Xgboost.fit函数,所述第i颗决策树输出样本数据对第i任务的预测标签值。
根据本发明一种优选的实施方式,所述Xgboost接口为Xgboost.tran函数,所述第i模型还包括:i个分别与第i模型内i颗决策树连接的排序模块;第i排序模块,用于对第i颗决策树输出的预测概率值进行排序;
所述处理模块包括:
输入模块,用于将当前任务的测试数据输入所述最优模型中,得到测试数据在m个任务类型的排序序列;m为当前任务所包含的任务类型的个数;
确定模块,用于根据测试数据在各个任务类型的排序序列及各个任务类型的权重确定测试数据的最终排序;
子处理模块,用于根据所述最终排序对测试数据进行处理。
根据本发明一种优选的实施方式,所述Xgboost接口为Xgboost.tran函数,所述处理模块包括:
输入模块,用于将当前任务的测试数据输入所述最优模型中,得到测试数据在m个任务类型的预测概率值;m为当前任务所包含的任务类型的个数;
确定模块,用于根据测试数据在各个任务类型的预测概率值及各个任务类型的权重确定测试数据的最终预测概率值;
子处理模块,用于根据所述最终预测概率值对测试数据进行处理。
根据本发明一种优选的实施方式,所述Xgboost接口为Xgboost.tran函数,所述处理模块包括:
输入模块,用于将当前任务的测试数据输入所述最优模型中,得到测试数据在m个任务类型的预测标签值;m为当前任务所包含的任务类型的个数;
子处理模块,用于根据测试数据在各个任务类型的预测标签值对测试数据进行处理。
根据本发明一种优选的实施方式,所述选取模块包括:
第一获取模块,用于获取当前任务所包含的目标任务类型;
第二获取模块,用于获取与各个目标任务类型匹配的目标决策树;
提取模块,用于从N个模型中提取只包含所有目标决策树的模型作为当前任务的最优模型。
为解决上述技术问题,本发明第三方面提供一种电子设备,包括:
处理器;以及
存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器执行上述的方法。
为解决上述技术问题,本发明第四方面提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,当所述一个或多个程序被处理器执行时,实现上述方法。
本发明将同一渠道的样本数据,针对不同任务标注上对应的标签数据,再根据样本数据和各个标签数据训练并存储基于Xgboost模型的对应不同任务的模型;针对当前任务,无需再单独训练每个任务对应的模型,只需要基于当前任务的任务类型从存储的多个模型中选取当前任务的最优模型,采用该最优模型对当前任务的测试数据进行处理即可。同时,本发明采用样本数据和第i标签数据基于已存储的Xgboost模型的第i-1颗决策树训练第i颗决策树,将训练好的第i颗决策树结构及参数存储为第i颗决策树;则训练好的第i颗决策树既学习到了前面i-1个标签数据对应任务的处理能力,又学习到了第i个标签数据对应任务的处理能力,同时,将已存储的i颗决策树作为训练好的第i模型进行存储;则第i模型综合了i颗树对i个标签数据对应任务的处理能力,兼顾了多任务的单独处理结果的关联性,提高了多任务处理的准确性。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚,下面将参照附图详细描述本发明的具体实施例。但需声明的是,下面描述的附图仅仅是本发明的示例性实施例的附图,对于本领域的技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他实施例的附图。
图1是本发明实施例一种基于Xgboost的多任务处理方法的流程示意图;
图2为本发明实施例对模型进行训练的示意图;
图3为本发明实施例训练好的第i模型的结构框架示意图;
图4是本发明实施例一种基于Xgboost的多任务处理装置的结构框架示意图;
图5是根据本发明的一种电子设备的示例性实施例的结构框图;
图6是本发明一种计算机可读介质实施例的示意图。
具体实施方式
现在将参考附图来更加全面地描述本发明的示例性实施例,虽然各示例性实施例能够以多种具体的方式实施,但不应理解为本发明仅限于在此阐述的实施例。相反,提供这些示例性实施例是为了使本发明的内容更加完整,更加便于将发明构思全面地传达给本领域的技术人员。
在符合本发明的技术构思的前提下,在某个特定的实施例中描述的结构、性能、效果或者其他特征可以以任何合适的方式结合到一个或更多其他的实施例中。
在对于具体实施例的介绍过程中,对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是,并不排除本领域技术人员可以在特定情况下,以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。
附图中的流程图仅是一种示例性的流程演示,不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤,也不代表必须按照图中所显示的的顺序执行。例如,流程图中有的操作/步骤可以分解,有的操作/步骤可以合并或部分合并,等等,在不脱离本发明的发明主旨的情况下,流程图中显示的执行顺序可以根据实际情况改变。
附图中的框图一般表示的是功能实体,并不一定必然与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
各附图中相同的附图标记表示相同或类似的元件、组件或部分,因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解,虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分,但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说,这些定语仅是用来将一者与另一者区分。例如,第一器件亦可称为第二器件,但不偏离本发明实质的技术方案。此外,术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。
请参阅图1,图1是本发明提供的一种基于Xgboost的多任务处理方法的流程图。用于互联网服务平台中处理多个互联网服务任务,所述互联网服务可以是各种互联网服务平台提供的服务,所述互联网服务平台可以是网购平台、网约车平台、共享平台、搜索平台、社交平台等等,只要是多任务的,都可以适用,本发明不做具体限定。如图1所示,所述方法包括:
S1、获取同一渠道的样本数据,并对所述样本数据标注上N个任务对应的N个标签数据;
所述渠道指数据的来源渠道,可以通过数据来源的API来确定数据是否为同一渠道。示例性的,所述不同的渠道可以与不同的互联网服务平台对应,即一种渠道与一种互联网服务平台相对应。所述数据根据实际业务的不同而不同,比如,在图像识别业务中,所述数据可以是图像数据;在音频识别业务中,所述数据可以是音频数据,在设备识别业务中,所述数据可以是与设备相关的任何数据;示例性的,所述数据可以包括:设备ID及与设备ID相关的信息。可选的,所述与设备ID相关的信息可以包括:设备型号、设备所在地域、设备资源归还记录、设备通信记录、设备用户信息中的至少一种。其中,设备资源归还记录指该设备申请资源后,对资源是否按期归还的记录。所述资源是指任何可被利用的物质、信息、金钱、时间等。信息资源包括计算资源和各种类型的数据资源。数据资源包括各个领域中的各种专用数据。所述设备通信记录可以包括设备中存储的通讯录联系人、设备中存储的通信记录等等与通信相关的信息。所述设备用户信息可以包括:使用设备用户的性别、年龄、学历、欺诈记录、违法违规记录等。
标签数据可以是人工标注的,或者通过其他方式获得的。例如,对于识别人脸图像的任务,样本数据为图像,标签数据为该图像是否包含人脸的标注,如果该图像中包含人脸,则标签数据可以为是,如果该图像中不包含人脸,则标签数据可以为否。本发明实施例由于是针对多个任务进行的模型训练,因此对于同一渠道的样本数据可以标注多个任务对应的多个标签数据。例如,待处理的任务1、任务2和任务3分别用于识别图像中的人脸、土豆和苹果,那么针对一个输入图像X1,标签数据可以包括三个标签数据{y1,y2,y3},其中y1表示输入图像X1中是否包含人脸,y2表示输入图像X1中是否包含土豆,y3表示输入图像X1中是否包含苹果。又比如,待处理的任务1、和任务2分别用于识别设备风险和设备动支率,那么针对一个输入的用户数据X2,标签数据可以包括两个标签数据{z1,z2},其中z1表示输入用户X2是否为风险用户,z2表示输入用户X2是否为动支用户。
本实施例中的多个任务可以是能够对于同一渠道的样本数据进行不同处理的任务,并且多个任务的处理结果之间可以不存在关联性,互不影响。例如,本实施例中多个任务可以包括用于识别图像中人脸的第一任务、用于识别图像中土豆的第二任务、用于识别图像中苹果的第三任务等;多个任务的处理结果之间也可以相互存在关联性,例如,本实施例中多个任务可以包括用于识别设备风险的第一任务、用于识别设备动支率的第二任务等。
S2、采用所述样本数据和第i标签数据基于已存储的Xgboost模型的第i-1颗决策树训练第i颗决策树,将训练好的第i颗决策树结构及参数存储为第i颗决策树;并将已存储的i颗决策树作为训练好的第i模型进行存储;
其中,i=1,2…N;
本发明实施例采用样本数据和N个标签数据训练N个模型,其中,第i模型可以对i各任务进行处理。对于后续的多任务处理,只需根据任务个数及任务类型选择对应的模型即可。
优选的,本发明基于Xgboost模型树结构的特点,采用样本数据和第i标签数据基于已存储的Xgboost模型的第i-1颗决策树训练第i颗决策树,将训练好的第i颗决策树结构及参数存储为第i颗决策树;则训练好的第i颗决策树既学习到了前面i-1个标签数据对应任务的处理能力,又学习到了第i个标签数据对应任务的处理能力,同时,将已存储的i颗决策树作为训练好的第i模型进行存储;则第i模型综合了i颗树对i个标签数据对应任务的处理能力,兼顾了多任务的单独处理结果的关联性,提高了多任务处理的准确性。
图2以N=3为例来说明本实施例中模型的训练过程,先采用样本数据X和第1标签数据y1训练第1颗决策树,则训练好的第1颗树学习到了处理第一任务的能力,将训练好的第1颗决策树结构及参数存储为第1颗决策树w1,同时,将已存储的第1颗决策树作为训练好的第1模型Q1进行存储;随后,再采用样本数据X和第2标签数据y2在第1颗决策树结构及参数的基础上训练第2颗决策树;则训练好的第2颗树既学习到了处理第一任务的能力,又学习到了处理第二任务的能力;将训练好的第2颗决策树结构及参数存储为第2颗决策树w2,同时,将已存储的第1颗决策树w1和第2颗决策树w2作为训练好的第2模型Q2进行存储;随后,再采用样本数据X和第3标签数据y3在第2颗决策树结构及参数的基础上训练第3颗决策树;则训练好的第3颗树既学习到了处理第一任务、第二任务的能力,又学习到了处理第三任务的能力;将训练好的第3颗决策树结构及参数存储为第3颗决策树w3,同时,将已存储的第1颗决策树w1、第2颗决策树w2和第3颗决策树w3作为训练好的第3模型Q3进行存储;至此,得到可以处理第一任务的第1模型Q1、处理第一任务和第二任务的第2模型Q2、处理第一任务、第二任务和第三任务的第3模型Q3。其中,所述参数可以是每个树训练后得到的权重值。
示例性的,可以通过Xgboost接口获取已存储Xgboost模型的的第i-1颗决策树,并采用所述样本数据和第i标签数据基于第i-1颗决策树训练第i颗决策树。其中,所述Xgboost接口可以为Xgboost.tran函数,则所述第i颗决策树输出样本数据对第i任务的预测概率值;或者,所述Xgboost接口为Xgboost.fit函数,则所述第i颗决策树输出样本数据对第i任务的预测标签值。
在一种示例中,所述Xgboost接口为Xgboost.tran函数,如图3所示,所述第i模型包括:训练好的i颗决策树Ri,以及i个分别与i颗决策树Ri连接的排序模块Pi;所述第i排序模块Pi,用于对第i颗决策树Ri输出的预测概率值进行排序,也就是说,第i排序模块Pi根据第i任务的处理结果对输入模型的数据进行排序。比如,对于处理设备风险预测和动支预测的两个任务,通过第2模型中的第1颗树预测设备风险概率,并由第1排序模块根据风险概率对用户进行排序,通过第2模型中的第2颗树预测用户动支概率,并由第2排序模块根据动支概率对用户进行排序。本实施例中第2颗树既学习到了预测风险的能力又学习到了预测动支的能力,因此,通过第2颗树预测的动支概率兼顾了风险预测的结果,提高了多任务处理的准确性。
S3、采集互联网服务平台中提供服务的当前任务的测试数据,并根据当前任务类型从存储的N个模型中选取当前任务的最优模型;
示例性的,本步骤可以包括:
S31、获取当前任务所包含的目标任务类型;
本实施例中,目标任务类型的获取方式可以多种。示例性的,可以配置指定字段来标识不同的任务类型,通过用户输入的指定字段来接收目标任务类型;也可以设置不同任务类型复选框,通过用户在复选框中选取的任务类型来确定目标任务类型。
S32、获取与各个目标任务类型匹配的目标决策树;
优选的,在存储训练好的各个决策树时,可以同时存储该决策树对应处理的任务类型,以方便匹配。在匹配过程中,当一颗决策树所能处理的所有任务均为目标任务类型时,确定该决策树为目标决策树。比如,对于包含:人脸识别、文字识别和树木识别的任务,能够处理人脸识别的决策树、能够处理人脸识别和文字识别的决策树、能够处理人脸识别、文字识别和树木识别的决策树都为目标决策树。
S33、从N个模型中提取只包含所有目标决策树的模型作为当前任务的最优模型。
S4、采用当前任务的最优模型对当前任务的测试数据进行处理,以在联网服务平台中提供服务。
在第一示例中,所述第i模型包括:训练好的i颗决策树Ri,以及i个分别与i颗决策树Ri连接的排序模块Pi;所述第i排序模块Pi,用于对第i颗决策树Ri输出的预测概率值进行排序;所述采用当前任务的最优模型对当前任务的测试数据进行处理,以在联网服务平台中提供服务包括:
S41、将当前任务的测试数据输入所述最优模型中,得到测试数据在m个任务类型的排序序列;
其中,m为当前任务所包含的任务类型的个数;以预测设备风险和动支率为例,将用户数据输入最优模型中,输出设备风险的排序序列S1和用户动支的排序序列S2。
S42、根据测试数据在各个任务类型的排序序列及各个任务类型的权重确定测试数据的最终排序;
其中,各个任务类型的权重可以通过用户在权重配置页面的输入进行配置。示例性的,可以将测试数据在各个任务类型的排序序列号与各个任务类型的权重进行加权求和得到测试数据的最终排序号。
43、根据所述最终排序对测试数据进行处理。
具体处理方式可以根据业务的不同而不同,比如,可以选取最终排序前M位的测试数据作为目标数据,对该目标数据在联网服务平台中提供服务。
在第二示例中,所述Xgboost接口为Xgboost.tran函数,所述采用当前任务的最优模型对当前任务的测试数据进行处理,以在联网服务平台中提供服务包括:
S401、将当前任务的测试数据输入所述最优模型中,得到测试数据在m个任务类型的预测概率值;
m为当前任务所包含的任务类型的个数;
S402、根据测试数据在各个任务类型的预测概率值及各个任务类型的权重确定测试数据的最终预测概率值;
S403、根据所述最终预测概率值对测试数据进行处理。
第二示例与第一示例的不同在于:不需要对每颗决策树输出的预测概率值进行排序,直接根据最终预测概率值对测试数据进行处理即可。比如,可以选取最终预测概率值大于阈值的测试数据作为目标数据,对该目标数据在联网服务平台中提供服务。
在第三示例中,所述Xgboost接口为Xgboost.fit函数,所述采用当前任务的最优模型对当前任务的测试数据进行处理,以在联网服务平台中提供服务包括:
S411、将当前任务的测试数据输入所述最优模型中,得到测试数据在m个任务类型的预测标签值;
m为当前任务所包含的任务类型的个数;
S412、根据测试数据在各个任务类型的预测标签值对测试数据进行处理。
第三示例与第二示例的不同在于:采用Xgboost接口不同,输出各个任务处理结果的形式不同。在第三示例中采用Xgboost.fit函数,输出测试数据在m个任务类型的预测标签值,直接根据测试数据在各个任务类型的预测标签值对测试数据进行处理即可。比如,可以将预测标签值都为1(表示是)的测试数据作为目标数据,对该目标数据在联网服务平台中提供服务。
图4是本发明一种基于Xgboost的多任务处理装置的架构示意图,所述装置用于互联网服务平台中处理多个互联网服务任务,如图4所示,所述装置包括:
获取模块41,用于获取同一渠道的样本数据,并对所述样本数据标注上N个任务对应的N个标签数据;N为大于等于2的自然数;
训练模块42,用于采用所述样本数据和第i标签数据基于已存储的Xgboost模型的第i-1颗决策树训练第i颗决策树,将训练好的第i颗决策树结构及参数存储为第i颗决策树;并将已存储的i颗决策树作为训练好的第i模型进行存储;其中,i=1,2…N;
选取模块43,用于采集互联网服务平台中提供服务的当前任务的测试数据,并根据当前任务类型从存储的N个模型中选取当前任务的最优模型;
处理模块44,用于采用当前任务的最优模型对当前任务的测试数据进行处理,以在联网服务平台中提供服务。
在一种示例中,所述训练模块通过Xgboost接口获取已存储Xgboost模型的的第i-1颗决策树,并采用所述样本数据和第i标签数据基于第i-1颗决策树训练第i颗决策树。
可选的,所述Xgboost接口为Xgboost.tran函数,所述第i颗决策树输出样本数据对第i任务的预测概率值;或者,所述Xgboost接口为Xgboost.fit函数,所述第i颗决策树输出样本数据对第i任务的预测标签值。
在一种可选的实施方式中,所述Xgboost接口为Xgboost.tran函数,所述第i模型还包括:i个分别与第i模型内i颗决策树连接的排序模块;所述第i排序模块,用于对第i颗决策树输出的预测概率值进行排序;
所述处理模块包括:
输入模块,用于将当前任务的测试数据输入所述最优模型中,得到测试数据在m个任务类型的排序序列;m为当前任务所包含的任务类型的个数;
确定模块,用于根据测试数据在各个任务类型的排序序列及各个任务类型的权重确定测试数据的最终排序;
子处理模块,用于根据所述最终排序对测试数据进行处理。
在一种可选的实施方式中,所述Xgboost接口为Xgboost.tran函数,所述处理模块包括:
输入模块,用于将当前任务的测试数据输入所述最优模型中,得到测试数据在m个任务类型的预测概率值;m为当前任务所包含的任务类型的个数;
确定模块,用于根据测试数据在各个任务类型的预测概率值及各个任务类型的权重确定测试数据的最终预测概率值;
子处理模块,用于根据所述最终预测概率值对测试数据进行处理。
在一种可选的实施方式中,所述Xgboost接口为Xgboost.tran函数,所述处理模块包括:
输入模块,用于将当前任务的测试数据输入所述最优模型中,得到测试数据在m个任务类型的预测标签值;m为当前任务所包含的任务类型的个数;
子处理模块,用于根据测试数据在各个任务类型的预测标签值对测试数据进行处理。
在一种示例中,所述选取模块包括:
第一获取模块,用于获取当前任务所包含的目标任务类型;
第二获取模块,用于获取与各个目标任务类型匹配的目标决策树;
提取模块,用于从N个模型中提取只包含所有目标决策树的模型作为当前任务的最优模型。
本领域技术人员可以理解,上述装置实施例中的各模块可以按照描述分布于装置中,也可以进行相应变化,分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
下面描述本发明的电子设备实施例,该电子设备可以视为对于上述本发明的方法和装置实施例的实体形式的实施方式。对于本发明电子设备实施例中描述的细节,应视为对于上述方法或装置实施例的补充;对于在本发明电子设备实施例中未披露的细节,可以参照上述方法或装置实施例来实现。
图5是根据本发明的一种电子设备的示例性实施例的结构框图。图5显示的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,该示例性实施例的电子设备500以通用数据处理设备的形式表现。电子设备500的组件可以包括但不限于:至少一个处理单元510、至少一个存储单元520、连接不同电子设备组件(包括存储单元520和处理单元510)的总线530、显示单元540等。
其中,所述存储单元520存储有计算机可读程序,其可以是源程序或都只读程序的代码。所述程序可以被处理单元510执行,使得所述处理单元510执行本发明各种实施方式的步骤。例如,所述处理单元510可以执行如图1所示的步骤。
所述存储单元520可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202,还可以进一步包括只读存储单元(ROM)5203。所述存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204,这样的程序模块5205包括但不限于:操作电子设备、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备100(例如键盘、显示器、网络设备、蓝牙设备等)通信,使得用户能经由这些外部设备500与该电子设备500交互,和/或使得该电子设备500能与一个或多个其它数据处理设备(例如路由器、调制解调器等等)进行通信。这种通信可以通过输入/输出(I/O)接口550进行,还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)进行。网络适配器560可以通过总线530与电子设备500的其它模块通信。应当明白,尽管图5中未示出,电子设备500中可使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID电子设备、磁带驱动器以及数据备份存储电子设备等。
图6是本发明的一个计算机可读介质实施例的示意图。如图6所示,所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的电子设备、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(CD-ROM函数、光存储器件、磁存储器件、或者上述的任意合适的组合。当所述计算机程序被一个或多个数据处理设备执行时,使得该计算机可读介质能够实现本发明的上述方法,即:获取同一渠道的样本数据,并对所述样本数据标注上N个任务对应的N个标签数据;N为大于等于2的自然数;采用所述样本数据和第i标签数据基于已存储的Xgboost模型的第i-1颗决策树训练第i颗决策树,将训练好的第i颗决策树结构及参数存储为第i颗决策树;并将已存储的i颗决策树作为训练好的第i模型进行存储;其中,i=1,2…N;采集互联网服务平台中提供服务的当前任务的测试数据,并根据当前任务类型从存储的N个模型中选取当前任务的最优模型;采用当前任务的最优模型对当前任务的测试数据进行处理,以在联网服务平台中提供服务。
通过以上的实施方式的描述,本领域的技术人员易于理解,本发明描述的示例性实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台数据处理设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行电子设备、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语音的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语音包括面向对象的程序设计语音—诸如Java、C++等,还包括常规的过程式程序设计语音—诸如“C”语音或类似的程序设计语音。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述,本发明可以执行计算机程序的方法、装置、电子设备或计算机可读介质来实现。可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现本发明的一些或者全部功能。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,本发明不与任何特定计算机、虚拟装置或者电子设备固有相关,各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于Xgboost的多任务处理方法,其特征在于,用于互联网服务平台中处理多个互联网服务任务,所述方法包括:
获取同一渠道的样本数据,并对所述样本数据标注上N个任务对应的N个标签数据;N为大于等于2的自然数;
采用所述样本数据和第i标签数据基于已存储的Xgboost模型的第i-1颗决策树训练第i颗决策树,将训练好的第i颗决策树结构及参数存储为第i颗决策树;并将已存储的i颗决策树作为训练好的第i模型进行存储;其中,i=1,2…N;
采集互联网服务平台中提供服务的当前任务的测试数据,并根据当前任务类型从存储的N个模型中选取当前任务的最优模型;
采用当前任务的最优模型对当前任务的测试数据进行处理,以在联网服务平台中提供服务。
2.根据权利要求1所述的方法,其特征在于:通过Xgboost接口获取已存储Xgboost模型的的第i-1颗决策树,并采用所述样本数据和第i标签数据基于第i-1颗决策树训练第i颗决策树。
3.根据权利要求2所述的方法,其特征在于,所述Xgboost接口为Xgboost.tran函数,所述第i颗决策树输出样本数据对第i任务的预测概率值;或者,所述Xgboost接口为Xgboost.fit函数,所述第i颗决策树输出样本数据对第i任务的预测标签值。
4.根据权利要求2或3所述的方法,其特征在于,所述Xgboost接口为Xgboost.tran函数,所述第i模型还包括:i个分别与第i模型内i颗决策树连接的排序模块;第i排序模块,用于对第i颗决策树输出的预测概率值进行排序;
所述采用当前任务的最优模型对当前任务的测试数据进行处理,以在联网服务平台中提供服务包括:
将当前任务的测试数据输入所述最优模型中,得到测试数据在m个任务类型的排序序列;m为当前任务所包含的任务类型的个数;
根据测试数据在各个任务类型的排序序列及各个任务类型的权重确定测试数据的最终排序;
根据所述最终排序对测试数据进行处理。
5.根据权利要求2或3所述的方法,其特征在于,所述Xgboost接口为Xgboost.tran函数,所述采用当前任务的最优模型对当前任务的测试数据进行处理,以在联网服务平台中提供服务包括:
将当前任务的测试数据输入所述最优模型中,得到测试数据在m个任务类型的预测概率值;m为当前任务所包含的任务类型的个数;
根据测试数据在各个任务类型的预测概率值及各个任务类型的权重确定测试数据的最终预测概率值;
根据所述最终预测概率值对测试数据进行处理。
6.根据权利要求2或3所述的方法,其特征在于,所述Xgboost接口为Xgboost.fit函数,所述采用当前任务的最优模型对当前任务的测试数据进行处理,以在联网服务平台中提供服务包括:
将当前任务的测试数据输入所述最优模型中,得到测试数据在m个任务类型的预测标签值;m为当前任务所包含的任务类型的个数;
根据测试数据在各个任务类型的预测标签值对测试数据进行处理。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述根据当前任务类型从存储的N个模型中选取当前任务的最优模型包括:
获取当前任务所包含的目标任务类型;
获取与各个目标任务类型匹配的目标决策树;
从N个模型中提取只包含所有目标决策树的模型作为当前任务的最优模型。
8.一种基于Xgboost的多任务处理装置,其特征在于,用于互联网服务平台中处理多个互联网服务任务,所述装置包括:
获取模块,用于获取同一渠道的样本数据,并对所述样本数据标注上N个任务对应的N个标签数据;N为大于等于2的自然数;
训练模块,用于采用所述样本数据和第i标签数据基于已存储的Xgboost模型的第i-1颗决策树训练第i颗决策树,将训练好的第i颗决策树结构及参数存储为第i颗决策树;并将已存储的i颗决策树作为训练好的第i模型进行存储;其中,i=1,2…N;
选取模块,用于采集互联网服务平台中提供服务的当前任务的测试数据,并根据当前任务类型从存储的N个模型中选取当前任务的最优模型;
处理模块,用于采用当前任务的最优模型对当前任务的测试数据进行处理,以在联网服务平台中提供服务。
9.一种电子设备,包括:
处理器;以及
存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,当所述一个或多个程序被处理器执行时,实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110766268.6A CN113570119B (zh) | 2021-07-07 | 2021-07-07 | 基于Xgboost的多任务处理方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110766268.6A CN113570119B (zh) | 2021-07-07 | 2021-07-07 | 基于Xgboost的多任务处理方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113570119A true CN113570119A (zh) | 2021-10-29 |
CN113570119B CN113570119B (zh) | 2024-06-07 |
Family
ID=78163887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110766268.6A Active CN113570119B (zh) | 2021-07-07 | 2021-07-07 | 基于Xgboost的多任务处理方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570119B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130249594A1 (en) * | 2012-02-21 | 2013-09-26 | Wave Semiconductor, Inc. | Implementation method for fast ncl data path |
US20130282627A1 (en) * | 2012-04-20 | 2013-10-24 | Xerox Corporation | Learning multiple tasks with boosted decision trees |
CN109447259A (zh) * | 2018-09-21 | 2019-03-08 | 北京字节跳动网络技术有限公司 | 多任务处理及多任务处理模型训练方法、装置和硬件装置 |
CN109657696A (zh) * | 2018-11-05 | 2019-04-19 | 阿里巴巴集团控股有限公司 | 多任务监督学习模型训练、预测方法和装置 |
WO2019218751A1 (zh) * | 2018-05-16 | 2019-11-21 | 阿里巴巴集团控股有限公司 | 一种保险业务风险预测的处理方法、装置及处理设备 |
CN110554964A (zh) * | 2019-09-03 | 2019-12-10 | 大连海事大学 | 基于深度强化学习的Web服务众包测试任务分配方法 |
CN111738534A (zh) * | 2020-08-21 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 多任务预测模型的训练、事件类型的预测方法及装置 |
CN111753058A (zh) * | 2020-06-30 | 2020-10-09 | 北京信息科技大学 | 一种文本观点挖掘方法及系统 |
CN112102062A (zh) * | 2020-07-24 | 2020-12-18 | 北京淇瑀信息科技有限公司 | 一种基于弱监督学习的风险评估方法、装置及电子设备 |
CN112529236A (zh) * | 2019-09-18 | 2021-03-19 | 泰康保险集团股份有限公司 | 目标对象识别方法、装置、电子设备及存储介质 |
CN112541124A (zh) * | 2020-12-24 | 2021-03-23 | 北京百度网讯科技有限公司 | 生成多任务模型的方法、装置、设备、介质及程序产品 |
CN112561568A (zh) * | 2020-12-04 | 2021-03-26 | 中国农业银行股份有限公司深圳市分行 | 一种目标客户预测方法、装置及存储介质 |
CN112785005A (zh) * | 2021-01-22 | 2021-05-11 | 中国平安人寿保险股份有限公司 | 多目标任务的辅助决策方法、装置、计算机设备及介质 |
-
2021
- 2021-07-07 CN CN202110766268.6A patent/CN113570119B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130249594A1 (en) * | 2012-02-21 | 2013-09-26 | Wave Semiconductor, Inc. | Implementation method for fast ncl data path |
US20130282627A1 (en) * | 2012-04-20 | 2013-10-24 | Xerox Corporation | Learning multiple tasks with boosted decision trees |
WO2019218751A1 (zh) * | 2018-05-16 | 2019-11-21 | 阿里巴巴集团控股有限公司 | 一种保险业务风险预测的处理方法、装置及处理设备 |
CN109447259A (zh) * | 2018-09-21 | 2019-03-08 | 北京字节跳动网络技术有限公司 | 多任务处理及多任务处理模型训练方法、装置和硬件装置 |
CN109657696A (zh) * | 2018-11-05 | 2019-04-19 | 阿里巴巴集团控股有限公司 | 多任务监督学习模型训练、预测方法和装置 |
CN110554964A (zh) * | 2019-09-03 | 2019-12-10 | 大连海事大学 | 基于深度强化学习的Web服务众包测试任务分配方法 |
CN112529236A (zh) * | 2019-09-18 | 2021-03-19 | 泰康保险集团股份有限公司 | 目标对象识别方法、装置、电子设备及存储介质 |
CN111753058A (zh) * | 2020-06-30 | 2020-10-09 | 北京信息科技大学 | 一种文本观点挖掘方法及系统 |
CN112102062A (zh) * | 2020-07-24 | 2020-12-18 | 北京淇瑀信息科技有限公司 | 一种基于弱监督学习的风险评估方法、装置及电子设备 |
CN111738534A (zh) * | 2020-08-21 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 多任务预测模型的训练、事件类型的预测方法及装置 |
CN112561568A (zh) * | 2020-12-04 | 2021-03-26 | 中国农业银行股份有限公司深圳市分行 | 一种目标客户预测方法、装置及存储介质 |
CN112541124A (zh) * | 2020-12-24 | 2021-03-23 | 北京百度网讯科技有限公司 | 生成多任务模型的方法、装置、设备、介质及程序产品 |
CN112785005A (zh) * | 2021-01-22 | 2021-05-11 | 中国平安人寿保险股份有限公司 | 多目标任务的辅助决策方法、装置、计算机设备及介质 |
Non-Patent Citations (3)
Title |
---|
ZHANG KP等: "Short-term prediction of Passenger Demand in Multi-Zone Level: Temporal Convolutional Neural Network With Multi-Task Learning", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEM》, vol. 21, no. 4, 14 April 2019 (2019-04-14), pages 1480 - 1490, XP011780755, DOI: 10.1109/TITS.2019.2909571 * |
吴栋: "基于机器学习的多任务多设备匹配算法研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》, no. 8, 15 August 2019 (2019-08-15), pages 034 - 291 * |
张春富: "基于参数优化的机器学习算法在糖尿病预测中的应用", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, no. 8, pages 065 - 32 * |
Also Published As
Publication number | Publication date |
---|---|
CN113570119B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111090987B (zh) | 用于输出信息的方法和装置 | |
CN109657054B (zh) | 摘要生成方法、装置、服务器及存储介质 | |
CN109299320B (zh) | 一种信息交互方法、装置、计算机设备和存储介质 | |
CN112015859A (zh) | 文本的知识层次抽取方法及装置、计算机设备及可读介质 | |
WO2020088058A1 (zh) | 生成信息的方法和装置 | |
CN111930792B (zh) | 数据资源的标注方法、装置、存储介质及电子设备 | |
CN111767366A (zh) | 问答资源挖掘方法、装置、计算机设备及存储介质 | |
CN108228567B (zh) | 用于提取组织机构的简称的方法和装置 | |
US20230259712A1 (en) | Sound effect adding method and apparatus, storage medium, and electronic device | |
US11182605B2 (en) | Search device, search method, search program, and recording medium | |
CN112508691A (zh) | 基于关系网标签化和图神经网络的风险预测方法及装置 | |
CN111915086A (zh) | 异常用户预测方法和设备 | |
CN113298634A (zh) | 基于时序特征和图神经网络的用户风险预测方法及装置 | |
CN111209351A (zh) | 对象关系预测、对象推荐方法及装置、电子设备、介质 | |
CN113672758B (zh) | 歌单生成方法、装置、介质和计算设备 | |
CN111310065A (zh) | 一种社交推荐方法、装置、服务器及存储介质 | |
CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
CN113033707B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
CN110782128B (zh) | 一种用户职业标签生成方法、装置和电子设备 | |
CN111460224B (zh) | 评论数据的质量标注方法、装置、设备及存储介质 | |
CN111199421B (zh) | 一种基于社交关系的用户推荐方法、装置及电子设备 | |
CN112446214A (zh) | 广告关键词的生成方法、装置、设备及存储介质 | |
CN114742645B (zh) | 基于多阶段时序多任务的用户安全等级识别方法及装置 | |
CN113570119B (zh) | 基于Xgboost的多任务处理方法、装置及电子设备 | |
CN113569929B (zh) | 基于小样本扩展的互联网服务提供方法、装置及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |