CN113657546A - 信息分类方法、装置、电子设备及可读存储介质 - Google Patents
信息分类方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN113657546A CN113657546A CN202111011812.2A CN202111011812A CN113657546A CN 113657546 A CN113657546 A CN 113657546A CN 202111011812 A CN202111011812 A CN 202111011812A CN 113657546 A CN113657546 A CN 113657546A
- Authority
- CN
- China
- Prior art keywords
- product
- information
- decision tree
- classification
- value
- 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 38
- 238000003066 decision tree Methods 0.000 claims abstract description 174
- 238000013145 classification model Methods 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000010224 classification analysis Methods 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 9
- 239000003795 chemical substances by application Substances 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000005856 abnormality Effects 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
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 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
- 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
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能技术，揭露一种信息分类方法，包括：根据产品特征数据构建初始决策树；利用所述初始决策树对所述产品特征数据进行分析，得到类别预测值；根据所述产品特征数据及类别预测值，计算所述初始决策树的模型精度误差值；当所述模型精度误差值不小于目标阈值时，对初始决策树进行更新，当所述模型精度误差值小于目标阈值时，将所述初始决策树作为信息分类模型输出；利用所述信息分类模型对待分类产品信息进行分类，得到分类结果。本发明还涉及一种区块链技术，所述产品特征数据可以存储在区块链节点中。本发明还提出一种信息分类装置、设备以及介质。本发明可以提高信息分类的准确率。
Description
技术领域
本发明涉及人工智能技术，尤其涉及一种信息分类方法、装置、电子设备及可读存储介质。
背景技术
随着互联网技术的发展，各领域的产品交易现在广泛使用线上化、全流程一体化的软件系统来进行出单，比如，保险领域的商业险等，但是此类出单软件可能存在由于黑客恶意攻击，或是自身开发人员、销售人员操作不当等等造成产品订单等产品信息异常的风险，因此，需要对产品信息进行异常识别分类，
现有信息分类技术中，只利用单一维度的产品信息进行识别分类，分类准确率较低。
发明内容
本发明提供一种信息分类方法、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分类的准确率。
为实现上述目的，本发明提供的一种信息分类方法，包括：
获取历史产品信息集，其中，所述历史产品信息集中每个历史产品信息包括产品特征数据及产品类别标签数据；
根据所有所述产品特征数据构建初始决策树；
利用所述初始决策树对所述产品特征数据进行类别分析，得到类别预测值；
根据所述历史产品信息集及所述类别预测值，计算所述初始决策树的模型精度，得到模型精度误差值；
当所述模型精度误差值大于或者等于预设的目标阈值时，对所述初始决策树进行决策树数量更新，得到新的初始决策树，并返回所述利用所述初始决策树对所述产品特征数据进行类别分析，得到类别预测值的步骤，直至所述模型精度误差值小于所述目标阈值时，输出所述初始决策树为信息分类模型；
当获取待分类产品信息时，利用所述信息分类模型对所述待分类产品信息进行类别分析，得到分类概率值；
根据所述分类概率值及预设的分类阈值，生成所述待分类产品信息的分类结果。
可选地，所述根据所有所述产品特征数据构建决策树，包括：
获取每个所述产品特征数据中的产品特征，得到产品特征集；
对所述产品特征集进行去重，任意选取去重后的所述产品特征集中的一个产品特征作为根节点；
将去重后的所述产品特征集中除根节点外的其它产品特征作为叶子节点，得到所述初始决策树。
可选地，所述利用所述初始决策树对所述产品特征数据进行类别分析，得到类别预测值，包括：
随机选取预设数量的产品特征数据，得到产品特征数据集；
利用所述初始决策树对所述产品特征数据集中的每个产品特征数据进行类别分析，得到对应的类别预测值。
可选地，所述对所述初始决策树进行决策树数量更新，得到新的初始决策树，包括：
调整所述初始决策树中节点的权重参数；
在参数调整后的初始决策树后增加决策树，得到新的初始决策树。
可选地，所述利用所述信息分类模型对所述待分类产品信息进行类别分析，得到分类概率值，包括：
将所述待分类产品信息输入至于所述信息分类模型后，提取所述信息分类模型中每个决策树的输出值；
将所有所述输出值进行累加，得到所述分类概率值。
可选地，所述根据所述历史产品信息集及所述类别预测值，计算所述初始决策树的模型精度，得到模型精度误差值，包括：
将所述产品类别标签数据转换为逻辑值，得到所述产品类别真实值；
根据所述产品特征数据集中的每个产品特征数据对应的产品类别真实值及类别预测值，利用所述目标函数进行计算，得到所述模型精度误差值。
可选地，所述根据所述分类概率值及预设的分类阈值，生成所述待分类产品信息的分类结果，包括：
判断所述分类概率值是否大于所述分类阈值，
若所述分类概率值小于或等于所述分类阈值，则所述分类结果为待分类产品信息正常；
若所述分类概率值大于所述分类阈值，则所述分类结果为待分类产品信息异常。
为了解决上述问题，本发明还提供一种信息分类装置，所述装置包括：
数据获取模块，用于获取历史产品信息集，其中，所述历史产品信息集中每个历史产品信息包括产品特征数据及产品类别标签数据；
模型训练模块，用于根据所有所述产品特征数据构建初始决策树；利用所述初始决策树对所述产品特征数据进行类别分析，得到类别预测值；根据所述历史产品信息集及所述类别预测值，计算所述初始决策树的模型精度，得到模型精度误差值；当所述模型精度误差值大于或者等于预设的目标阈值时，对所述初始决策树进行决策树数量更新，得到新的初始决策树，并返回所述利用所述初始决策树对所述产品特征数据进行类别分析，得到类别预测值的步骤，直至所述模型精度误差值小于所述目标阈值时，输出所述初始决策树为信息分类模型；
信息分类模块，用于当获取待分类产品信息时，利用所述信息分类模型对所述待分类产品信息进行类别分析，得到分类概率值；根据所述分类概率值及预设的分类阈值，生成所述待分类产品信息的分类结果。
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信息分类方法。
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信息分类方法。
本发明实施例直至所述模型精度误差值小于所述目标阈值时，输出所述初始决策树为信息分类模型，利用多棵决策树进行模型构建，模型的性能更好；利用所述信息分类模型对所述待分类产品信息进行类别分析，得到分类概率值，利用信息分类模型进行分析，不局限于单一特征，分析效果更好，分类准确率更高，因此本发明实施例提出的信息分类方法、装置、电子设备及可读存储介质提高了信息分类的准确率。
附图说明
图1为本发明一实施例提供的信息分类方法的流程示意图；
图2为本发明一实施例提供的信息分类装置的模块示意图；
图3为本发明一实施例提供的实现信息分类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信息分类方法。所述信息分类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，所述信息分类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，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示的本发明一实施例提供的信息分类方法的流程示意图，在本发明实施例中，所述信息分类方法包括：
S1、获取历史产品信息集，其中，所述历史产品信息集中每个历史产品信息包括产品特征数据及产品类别标签数据；
本发明实施例中，所述历史产品信息为历史订单信息，所述历史产品信息包括：投保单来源，客户编号，被保险人编号，申请人编号，批次编号，关联车辆编号，坐席编号，现场经理编号，坐席分中心，坐席业务模式，团队长编号，任务组编号，任务编号，是否转介绍，三级机构代码，二级机构代码，渠道来源，业务来源，系统来源，特别条款，保额，保费，订单日期时间，是否投保其他系列产品，是否通融，是否电子保单，业务线等特征变量信息；所述产品类别标签数据为所述历史产品信息对应的订单是否为异常订单。
可选地，本发明实施例中所述产品特征数据可以存储在区块链节点中，利用区块链节点高吞吐的特性，提高数据的取用效率。
S2、根据所有所述产品特征数据构建初始决策树；
本发明实施例中，根据所有所述产品特征数据构建决策树，构建的决策树即为初始决策树，其中，决策树为一种人工智能模型是一种树形结构，其中，决策树上的每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别，
具体地，所述根据所述用户特征集构建初始决策树，包括：
获取每个所述产品特征数据中的产品特征，得到产品特征集；
对所述产品特征集进行去重，任意选取去重后的所述产品特征集中的一个产品特征作为根节点；
将去重后的所述产品特征集中除根节点外的其它产品特征作为叶子节点，得到所述初始决策树。
S3、利用所述初始决策树对所述产品特征数据进行类别分析，得到类别预测值；
详细地，本发明实施例利用所述初始决策树对每个所述产品特征数据进行分析，得到类别预测值，包括：
步骤A：随机选取预设数量的产品特征数据，得到产品特征数据集；
可选地，本发明实施例中所述预设数量可以所述产品特征数据总数量的40％。
步骤B：利用所述初始决策树对所述产品特征数据集中的每个产品特征数据进行类别分析，得到对应的类别预测值；
详细地，本发明实施例中将所述产品特征数据集中的每个产品特征数据输入所述初始决策树中，提取所述初始决策树中每个决策树的输出值进行求和，得到对应的所述类别预测值，后续通过所述类别预测值计算模型训练的精度，通过不断的改变初始决策树的结构及参数进行不断训练，得到需要的初始决策树。
详细地，本发明实施例中每个产品特征数据对应一个类别预测值。
S4、根据所述历史产品信息集及所述类别预测值，计算所述初始决策树的模型精度，得到模型精度误差值；
本发明实施例中为了便于对产品类别标签数据处理，需要将所述产品类别标签数据转换为数值型数据，因此，本发明实施例将所述产品类别标签数据转换为逻辑值，得到所述产品类别真实值。
例如：所述产品类别标签数据为“是否为异常订单：是”，那么将所述产品类别标签数据转化为逻辑值，得到对应的产品类别真实值为1；所述产品类别标签数据为“是否为异常订单：否”，那么将所述产品类别标签数据转化为逻辑值，得到对应的产品类别真实值为0。
进一步地，本发明实施例中为了衡量所述初始决策树的模型训练精度，根据所述产品特征数据集中的每个产品特征数据对应的产品类别真实值及类别预测值，利用预设目标函数对所述初始决策树进行模型精度计算，得到所述模型精度误差值，通过模型精度误差值衡量模型精度，模型精度误差值越小，模型精度越好。
可选地，本发明实施例中所述目标函数如下所示：
其中，objectt为所述初始决策树的模型精度误差值，t为所述初始决策树中包含的决策树的数量，
为产品类别真实值和所述类别预测值之间的差值，yi为所述产品类别真实值，
为所述类别预测值，Ω(fi)为惩罚项函数，wj为所述初始决策树中叶子结点的权重，M为所述初始决策树的叶子结点数，γ、T和λ为固定参数，i是指所述初始决策树中第i个非叶子节点，n是指所述初始决策树中非叶子结点的个数，j是指所述初始决策树中第j个叶子结点。
详细地，所述目标函数公式中的惩罚项函数可以衡量所述初始决策树添加处理过程中的优异性，因此，得到的初始决策树进行匹配时准确性更好。
S5、判断所述模型精度误差值是否小于预设目标阈值；
S6、当所述模型精度误差值大于或者等于预设的目标阈值时，对所述初始决策树进行决策树数量更新，并返回S3；
详细地，本发明实施例中当所述模型精度误差值大于或者等于预设的目标阈值时，证明模型精度无法达到预设要求，因此，调整所述初始决策树中节点的权重参数；在参数调整后的初始决策树后增加决策树，得到新的初始决策树，并返回S3。
具体地，本发明实施例中增加的决策树为S2中根据所有所述产品特征数据构建初始决策树。
S7、当所述模型精度误差值小于所述目标阈值时，输出所述初始决策树为信息分类模型；
S8、当获取待分类产品信息时，利用所述信息分类模型对所述待分类产品信息进行类别分析，得到分类概率值；
本发明实施例中，为了保证待分类产品信息获取的实时性，还可以利用预设的消息中间件获取待分类产品信息。
所述消息中间件可以为Kafka消息中间件等。
本发明实施例中所述待分类产品信息与所述产品特征信息类型相同内容不同。
进一步地，本发明实施例中将所述待分类产品信息输入所述信息分类模型后，提取所述信息分类模型中每个决策树的输出值，将所有所述输出值进行累加，得到所述分类概率值。
例如：所述信息分类模型中共有三个决策树，将所述待分类产品信息输入所述信息分类模型后，所述信息分类模型中第一个决策树的输出值为0.5，第二个决策树的输出值为0.05，第三个决策树的输出值为0.005，那么将所有输出值进行累加得到所述分类概率值为0.555。
S9、根据所述分类概率值及预设的分类阈值，生成所述待分类产品信息的分类结果。
详细地，本发明实施例中判断所述分类概率值是否大于所述分类阈值，
若所述分类概率值小于或等于所述分类阈值，则所述分类结果为待分类产品信息正常；若所述分类概率值大于所述分类阈值，则所述分类结果为待分类产品信息异常。
如图2所示，是本发明信息分类装置的功能模块图。
本发明所述信息分类装置100可以安装于电子设备中。根据实现的功能，所述信息分类装置可以包括数据获取模块101、模型训练模块102、信息分类模块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：
所述数据获取模块101用于获取历史产品信息集，其中，所述历史产品信息集中每个历史产品信息包括产品特征数据及产品类别标签数据；
本发明实施例中，所述历史产品信息为历史订单信息，所述历史产品信息包括：投保单来源，客户编号，被保险人编号，申请人编号，批次编号，关联车辆编号，坐席编号，现场经理编号，坐席分中心，坐席业务模式，团队长编号，任务组编号，任务编号，是否转介绍，三级机构代码，二级机构代码，渠道来源，业务来源，系统来源，特别条款，保额，保费，订单日期时间，是否投保其他系列产品，是否通融，是否电子保单，业务线等特征变量信息；所述产品类别标签数据为所述历史产品信息对应的订单是否为异常订单。
可选地，本发明实施例中所述产品特征数据可以存储在区块链节点中，利用区块链节点高吞吐的特性，提高数据的取用效率。
所述模型训练模块102用于根据所有所述产品特征数据构建初始决策树；利用所述初始决策树对所述产品特征数据进行类别分析，得到类别预测值；根据所述历史产品信息集及所述类别预测值，计算所述初始决策树的模型精度，得到模型精度误差值；当所述模型精度误差值大于或者等于预设的目标阈值时，对所述初始决策树进行决策树数量更新，得到新的初始决策树，并返回所述利用所述初始决策树对所述产品特征数据进行类别分析，得到类别预测值的步骤，直至所述模型精度误差值小于所述目标阈值时，输出所述初始决策树为信息分类模型；
本发明实施例中，根据所有所述产品特征数据构建决策树，构建的决策树即为初始决策树，其中，决策树为一种人工智能模型是一种树形结构，其中，决策树上的每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别，
具体地，所述模型训练模块102根据所述用户特征集构建初始决策树，包括：
获取每个所述产品特征数据中的产品特征，得到产品特征集；
对所述产品特征集进行去重，任意选取去重后的所述产品特征集中的一个产品特征作为根节点；
将去重后的所述产品特征集中除根节点外的其它产品特征作为叶子节点，得到所述初始决策树。
详细地，本发明实施例所述模型训练模块102利用所述初始决策树对每个所述产品特征数据进行分析，得到类别预测值，包括：
步骤A：随机选取预设数量的产品特征数据，得到产品特征数据集；
可选地，本发明实施例中所述预设数量可以所述产品特征数据总数量的40％。
步骤B：利用所述初始决策树对所述产品特征数据集中的每个产品特征数据进行类别分析，得到对应的类别预测值；
详细地，本发明实施例中所述模型训练模块102将所述产品特征数据集中的每个产品特征数据输入所述初始决策树中，提取所述初始决策树中每个决策树的输出值进行求和，得到对应的所述类别预测值，后续通过所述类别预测值计算模型训练的精度，通过不断的改变初始决策树的结构及参数进行不断训练，得到需要的初始决策树。
详细地，本发明实施例中每个产品特征数据对应一个类别预测值。
本发明实施例中为了便于对产品类别标签数据处理，需要将所述产品类别标签数据转换为数值型数据，因此，本发明实施例所述模型训练模块102将所述产品类别标签数据转换为逻辑值，得到所述产品类别真实值。
例如：所述产品类别标签数据为“是否为异常订单：是”，那么将所述产品类别标签数据转化为逻辑值，得到对应的产品类别真实值为1；所述产品类别标签数据为“是否为异常订单：否”，那么将所述产品类别标签数据转化为逻辑值，得到对应的产品类别真实值为0。
进一步地，本发明实施例中为了衡量所述初始决策树的模型训练精度，所述模型训练模块102根据所述产品特征数据集中的每个产品特征数据对应的产品类别真实值及类别预测值，利用预设目标函数对所述初始决策树进行模型精度计算，得到所述模型精度误差值，通过模型精度误差值衡量模型精度，模型精度误差值越小，模型精度越好。
可选地，本发明实施例中所述目标函数如下所示：
其中，objectt为所述初始决策树的模型精度误差值，t为所述初始决策树中包含的决策树的数量，
为产品类别真实值和所述类别预测值之间的差值，yi为所述产品类别真实值，
为所述类别预测值，Ω(fi)为惩罚项函数，wj为所述初始决策树中叶子结点的权重，M为所述初始决策树的叶子结点数，γ、T和λ为固定参数，i是指所述初始决策树中第i个非叶子节点，n是指所述初始决策树中非叶子结点的个数，j是指所述初始决策树中第j个叶子结点。
详细地，所述目标函数公式中的惩罚项函数可以衡量所述初始决策树添加处理过程中的优异性，因此，得到的初始决策树进行匹配时准确性更好。
所述模型训练模块102判断所述模型精度误差值是否小于预设目标阈值；当所述模型精度误差值大于或者等于预设的目标阈值时，对所述初始决策树进行决策树数量更新，并返回所述利用所述初始决策树对所述产品特征数据进行类别分析，得到类别预测值的步骤；
详细地，本发明实施例中当所述模型精度误差值大于或者等于预设的目标阈值时，证明模型精度无法达到预设要求，因此，调整所述初始决策树中节点的权重参数；在参数调整后的初始决策树后增加决策树，得到新的初始决策树，并返回所述利用所述初始决策树对所述产品特征数据进行类别分析，得到类别预测值的步骤。
具体地，本发明实施例中增加的决策树为上述根据所有所述产品特征数据构建初始决策树。
当所述模型精度误差值小于所述目标阈值时，所述模型训练模块102输出所述初始决策树为信息分类模型；
所述信息分类模块103用于当获取待分类产品信息时，利用所述信息分类模型对所述待分类产品信息进行类别分析，得到分类概率值；根据所述分类概率值及预设的分类阈值，生成所述待分类产品信息的分类结果。
本发明实施例中，为了保证待分类产品信息获取的实时性，所述信息分类模块103还可以利用预设的消息中间件获取待分类产品信息。
所述消息中间件可以为Kafka消息中间件等。
本发明实施例中所述待分类产品信息与所述产品特征信息类型相同内容不同。
进一步地，本发明实施例中所述信息分类模块103将所述待分类产品信息输入所述信息分类模型后，提取所述信息分类模型中每个决策树的输出值，将所有所述输出值进行累加，得到所述分类概率值。
例如：所述信息分类模型中共有三个决策树，将所述待分类产品信息输入所述信息分类模型后，所述信息分类模型中第一个决策树的输出值为0.5，第二个决策树的输出值为0.05，第三个决策树的输出值为0.005，那么将所有输出值进行累加得到所述分类概率值为0.555。
详细地，本发明实施例中所述信息分类模块103判断所述分类概率值是否大于所述分类阈值，
若所述分类概率值小于或等于所述分类阈值，则所述分类结果为待分类产品信息正常；若所述分类概率值大于所述分类阈值，则所述分类结果为待分类产品信息异常。
如图2所示，是本发明实现信息分类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，如信息分类程序。
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，例如信息分类程序的代码等，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(例如信息分类程序等)，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。
图2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2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、电源故障分类电路、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。
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。
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存储的信息分类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：
获取历史产品信息集，其中，所述历史产品信息集中每个历史产品信息包括产品特征数据及产品类别标签数据；
根据所有所述产品特征数据构建初始决策树；
利用所述初始决策树对所述产品特征数据进行类别分析，得到类别预测值；
根据所述历史产品信息集及所述类别预测值，计算所述初始决策树的模型精度，得到模型精度误差值；
当所述模型精度误差值大于或者等于预设的目标阈值时，对所述初始决策树进行决策树数量更新，得到新的初始决策树，并返回所述利用所述初始决策树对所述产品特征数据进行类别分析，得到类别预测值的步骤，直至所述模型精度误差值小于所述目标阈值时，输出所述初始决策树为信息分类模型；
当获取待分类产品信息时，利用所述信息分类模型对所述待分类产品信息进行类别分析，得到分类概率值；
根据所述分类概率值及预设的分类阈值，生成所述待分类产品信息的分类结果。
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：
获取历史产品信息集，其中，所述历史产品信息集中每个历史产品信息包括产品特征数据及产品类别标签数据；
根据所有所述产品特征数据构建初始决策树；
利用所述初始决策树对所述产品特征数据进行类别分析，得到类别预测值；
根据所述历史产品信息集及所述类别预测值，计算所述初始决策树的模型精度，得到模型精度误差值；
当所述模型精度误差值大于或者等于预设的目标阈值时，对所述初始决策树进行决策树数量更新，得到新的初始决策树，并返回所述利用所述初始决策树对所述产品特征数据进行类别分析，得到类别预测值的步骤，直至所述模型精度误差值小于所述目标阈值时，输出所述初始决策树为信息分类模型；
当获取待分类产品信息时，利用所述信息分类模型对所述待分类产品信息进行类别分析，得到分类概率值；
根据所述分类概率值及预设的分类阈值，生成所述待分类产品信息的分类结果。
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。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
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)
1.一种信息分类方法，其特征在于，所述方法包括：
获取历史产品信息集，其中，所述历史产品信息集中每个历史产品信息包括产品特征数据及产品类别标签数据；
根据所有所述产品特征数据构建初始决策树；
利用所述初始决策树对所述产品特征数据进行类别分析，得到类别预测值；
根据所述历史产品信息集及所述类别预测值，计算所述初始决策树的模型精度，得到模型精度误差值；
当所述模型精度误差值大于或者等于预设的目标阈值时，对所述初始决策树进行决策树数量更新，得到新的初始决策树，并返回所述利用所述初始决策树对所述产品特征数据进行类别分析，得到类别预测值的步骤，直至所述模型精度误差值小于所述目标阈值时，输出所述初始决策树为信息分类模型；
当获取待分类产品信息时，利用所述信息分类模型对所述待分类产品信息进行类别分析，得到分类概率值；
根据所述分类概率值及预设的分类阈值，生成所述待分类产品信息的分类结果。
2.如权利要求1所述的信息分类方法，其特征在于，所述根据所有所述产品特征数据构建初始决策树，包括：
获取每个所述产品特征数据中的产品特征，得到产品特征集；
对所述产品特征集进行去重，任意选取去重后的所述产品特征集中的一个产品特征作为根节点；
将去重后的所述产品特征集中除根节点外的其它产品特征作为叶子节点，得到所述初始决策树。
3.如权利要求1所述的信息分类方法，其特征在于，所述利用所述初始决策树对所述产品特征数据进行类别分析，得到类别预测值，包括：
随机选取预设数量的产品特征数据，得到产品特征数据集；
利用所述初始决策树对所述产品特征数据集中的每个产品特征数据进行类别分析，得到对应的类别预测值。
4.如权利要求1所述的信息分类方法，其特征在于，所述对所述初始决策树进行决策树数量更新，得到新的初始决策树，包括：
调整所述初始决策树中节点的权重参数；
在参数调整后的初始决策树后增加决策树，得到新的初始决策树。
5.如权利要求1所述的信息分类方法，其特征在于，所述利用所述信息分类模型对所述待分类产品信息进行类别分析，得到分类概率值，包括：
将所述待分类产品信息输入至于所述信息分类模型后，提取所述信息分类模型中每个决策树的输出值；
将所有所述输出值进行累加，得到所述分类概率值。
6.如权利要求1所述的信息分类方法，其特征在于，所述根据所述历史产品信息集及所述类别预测值，计算所述初始决策树的模型精度，得到模型精度误差值，包括：
将所述产品类别标签数据转换为逻辑值，得到所述产品类别真实值；
根据所述产品特征数据集中的每个产品特征数据对应的产品类别真实值及类别预测值，利用预构建的目标函数计算，得到所述模型精度误差值。
7.如权利要求1至6中任意一项所述的信息分类方法，其特征在于，所述根据所述分类概率值及预设的分类阈值，生成所述待分类产品信息的分类结果，包括：
判断所述分类概率值是否大于所述分类阈值，
若所述分类概率值小于或等于所述分类阈值，则所述分类结果为待分类产品信息正常；
若所述分类概率值大于所述分类阈值，则所述分类结果为待分类产品信息异常。
8.一种信息分类装置，其特征在于，包括：
数据获取模块，用于获取历史产品信息集，其中，所述历史产品信息集中每个历史产品信息包括产品特征数据及产品类别标签数据；
模型训练模块，用于根据所有所述产品特征数据构建初始决策树；利用所述初始决策树对所述产品特征数据进行类别分析，得到类别预测值；根据所述历史产品信息集及所述类别预测值，计算所述初始决策树的模型精度，得到模型精度误差值；当所述模型精度误差值大于或者等于预设的目标阈值时，对所述初始决策树进行决策树数量更新，得到新的初始决策树，并返回所述利用所述初始决策树对所述产品特征数据进行类别分析，得到类别预测值的步骤，直至所述模型精度误差值小于所述目标阈值时，输出所述初始决策树为信息分类模型；
信息分类模块，用于当获取待分类产品信息时，利用所述信息分类模型对所述待分类产品信息进行类别分析，得到分类概率值；根据所述分类概率值及预设的分类阈值，生成所述待分类产品信息的分类结果。
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中任一项所述的信息分类方法。
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中任一项所述的信息分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111011812.2A CN113657546B (zh) | 2021-08-31 | 2021-08-31 | 信息分类方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111011812.2A CN113657546B (zh) | 2021-08-31 | 2021-08-31 | 信息分类方法、装置、电子设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113657546A true CN113657546A (zh) | 2021-11-16 |
| CN113657546B CN113657546B (zh) | 2024-04-05 |
Family
ID=78493349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111011812.2A Active CN113657546B (zh) | 2021-08-31 | 2021-08-31 | 信息分类方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657546B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114612194A (zh) * | 2022-03-23 | 2022-06-10 | 平安普惠企业管理有限公司 | 产品推荐方法、装置、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050004894A1 (en) * | 2002-12-27 | 2005-01-06 | Honda Motor Co., Ltd. | Harmonized tariff schedule classification using decision tree database |
| US20180096230A1 (en) * | 2016-09-30 | 2018-04-05 | Cylance Inc. | Centroid for Improving Machine Learning Classification and Info Retrieval |
| CN108921600A (zh) * | 2018-06-20 | 2018-11-30 | 北京京东金融科技控股有限公司 | 实现信息分类的装置和方法及存储介质 |
| CN110866317A (zh) * | 2019-11-23 | 2020-03-06 | 广东科龙模具有限公司 | 基于产品历史信息及设计行为分析的设计工具包重构方法 |
| CN111292851A (zh) * | 2020-02-27 | 2020-06-16 | 平安医疗健康管理股份有限公司 | 数据分类方法、装置、计算机设备和存储介质 |
| JP2020170558A (ja) * | 2018-11-15 | 2020-10-15 | ライジングブル投資顧問株式会社 | 情報生成装置、情報提示システム、および、情報生成プログラム |
-
2021
- 2021-08-31 CN CN202111011812.2A patent/CN113657546B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050004894A1 (en) * | 2002-12-27 | 2005-01-06 | Honda Motor Co., Ltd. | Harmonized tariff schedule classification using decision tree database |
| US20180096230A1 (en) * | 2016-09-30 | 2018-04-05 | Cylance Inc. | Centroid for Improving Machine Learning Classification and Info Retrieval |
| CN108921600A (zh) * | 2018-06-20 | 2018-11-30 | 北京京东金融科技控股有限公司 | 实现信息分类的装置和方法及存储介质 |
| JP2020170558A (ja) * | 2018-11-15 | 2020-10-15 | ライジングブル投資顧問株式会社 | 情報生成装置、情報提示システム、および、情報生成プログラム |
| CN110866317A (zh) * | 2019-11-23 | 2020-03-06 | 广东科龙模具有限公司 | 基于产品历史信息及设计行为分析的设计工具包重构方法 |
| CN111292851A (zh) * | 2020-02-27 | 2020-06-16 | 平安医疗健康管理股份有限公司 | 数据分类方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 周宝建;: "基于云计算的个人信用数据分析模型的仿真研究", 科技通报, no. 03 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114612194A (zh) * | 2022-03-23 | 2022-06-10 | 平安普惠企业管理有限公司 | 产品推荐方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113657546B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN114881616A (zh) | 业务流程执行方法、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 | |
| CN111950625A (zh) | 基于人工智能的风险识别方法、装置、计算机设备及介质 | |
| CN115081538A (zh) | 基于机器学习的客户关系识别方法、装置、设备及介质 | |
| CN114399212A (zh) | 生态环境质量评估方法、装置、电子设备及存储介质 | |
| CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
| CN113868528A (zh) | 资讯推荐方法、装置、电子设备及可读存储介质 | |
| CN113627160B (zh) | 文本纠错方法、装置、电子设备及存储介质 | |
| CN117155771B (zh) | 一种基于工业物联网的设备集群故障溯源方法及装置 | |
| CN113837631A (zh) | 员工评价方法、装置、电子设备及可读存储介质 | |
| CN113505273A (zh) | 基于重复数据筛选的数据排序方法、装置、设备及介质 | |
| CN113657546B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
| CN117193975A (zh) | 任务调度方法、装置、设备及存储介质 | |
| CN111652282A (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
| CN112561500B (zh) | 基于用户数据的薪酬数据生成方法、装置、设备及介质 | |
| CN114708073A (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
| CN114387021A (zh) | 业务状态生成方法、装置、设备及存储介质 | |
| CN113486646A (zh) | 产品报告发布方法、装置、电子设备及可读存储介质 | |
| CN113362039A (zh) | 业务审批方法、装置、电子设备及存储介质 | |
| CN114202431A (zh) | 基于多重决策的产品推荐方法、装置、设备及介质 | |
| CN116483974A (zh) | 对话回复筛选方法、装置、设备及存储介质 | |
| CN116841737A (zh) | 批处理任务分发方法、装置、设备及存储介质 | |
| CN113673597A (zh) | 企业年报催报方法、装置、电子设备及计算机存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |