CN113705824A - 一种用于构建机器学习建模过程的系统 - Google Patents
一种用于构建机器学习建模过程的系统 Download PDFInfo
- Publication number
- CN113705824A CN113705824A CN202110091641.2A CN202110091641A CN113705824A CN 113705824 A CN113705824 A CN 113705824A CN 202110091641 A CN202110091641 A CN 202110091641A CN 113705824 A CN113705824 A CN 113705824A
- Authority
- CN
- China
- Prior art keywords
- machine learning
- module
- target
- data
- modeling process
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000006399 behavior Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000007405 data analysis Methods 0.000 claims abstract description 5
- 238000013500 data storage Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 38
- 230000007717 exclusion Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于构建机器学习建模过程的系统，具体涉及机器学习建模技术领域，包括数据模块、训练学习模块、求和模块、建模模块与显示模块，所述数据模块包括数据获取单元、数据储存单元与数据分析单元，所述显示模块包括显示器单元，本发明系统在故意差评判断的应用场景中，目标行为即为故意差评，从而每一个机器学习子模型用于判定对应的中间目标变量所指示的故意差评类型，对各机器学习子模型的概率值进行概率求和就能够获得用于判定属于多种故意差评类型中的至少一种的概率，基于这一概率值所构建的模型便能够对于多种故意差评类型进行判定，提高故意差评的识别效率的目的，实现了网络规范化、购物有序化的目的。
Description
技术领域
本发明涉及机器学习建模技术领域，更具体地说，本发明涉及一种用于构建机器学习建模过程的系统。
背景技术
随着海量数据的出现，人们倾向于使用机器学习技术来从数据中挖掘出价值。机器学习是人工智能研究发展到一定阶段的必然产物，其致力于通过计算的手段，利用经验来改善系统自身的性能。在计算机系统中，“经验”通常以“数据”形式存在，通过机器学习算法，可从数据中产生“模型”，也就是说，将经验数据提供给机器学习算法，就能基于这些经验数据产生模型，在面对新的情况时，模型会提供相应的判断，即，预测结果。
随着网络的发展壮大，人们大多时候采用网络购物，比如淘宝、美团等平台，但是也有人利用售后评价系统恶意差评，从而赚取退款或赔偿等，为了规范网络评价行为，需要对评价行为模式进行判定，为此，我们提出了一种用于构建机器学习建模过程的系统来解决这个问题。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种用于构建机器学习建模过程的系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种用于构建机器学习建模过程的系统，包括数据模块、训练学习模块、求和模块、建模模块与显示模块，所述数据模块包括数据获取单元、数据储存单元与数据分析单元，所述显示模块包括显示器单元。
在上述技术方案的基础上，所述数据模块用于根据各初始目标变量之间的相容或互斥状态，对相容的初始目标变量进行合并，获得相互之间为互斥状态的中间目标变量。
在上述技术方案的基础上，所述初始目标变量用于指示目标行为的实现形式。
在上述技术方案的基础上，所述训练学习模块用于分别对各中间目标变量对应的机器学习子模型进行训练，获得各机器学习子模型的概率值。
在上述技术方案的基础上，所述机器学习子模型用于根据描述差评行为的特征变量判定对应中间目标变量指示的目标行为类型。
在上述技术方案的基础上，所述求和模块用于对各机器学习子模型的概率值进行概率求和，获得目标概率值。
在上述技术方案的基础上，所述建模模块用于根据目标概率值和特征变量，建立用于判定是否为目标行为的目标机器学习模型。
在上述技术方案的基础上，所述特征变量为从历史评价数据中提取的用于描述评价信息的参数，所述初始目标变量为从历史评价数据中提取的用于描述差评行为类型的参数。
在上述技术方案的基础上，所述数据模块还包括计算单元，所述计算单元包括处理器。
本发明的技术效果和优点：
与现有技术相比，本发明系统通过数据模块获得数据并进行分析，根据各初始目标变量之间的相容或互斥状态，对相容的初始目标变量进行合并，获得相互之间为互斥状态的中间目标变量，其中，初始目标变量用于指示目标行为的实现形式，操作时，将两两之间为互斥状态的初始目标变量组成初始目标变量对，构建包括各初始目标变量的拆分集合，依次针对每一个初始目标变量对，执行根据初始目标变量对，将拆分集合拆分为两个下一级的拆分集合的步骤，在每一个下一级的拆分集合中包含有初始目标变量对中的一个初始目标变量，以及被拆分的拆分集合中除初始目标变量对之外的全部元素，其中，下一级的拆分集合用于根据下一个初始目标变量对进行拆分，对相互之间存在包含关系的拆分集合进行合并，获得目标子集；将同一目标子集中的初始目标变量合并，作为中间目标变量，通过训练学习模块分别对各中间目标变量对应的机器学习子模型进行训练，获得各机器学习子模型的概率值，机器学习子模型用于根据描述差评行为的特征变量判定对应中间目标变量指示的目标行为类型，通过求和模块对各机器学习子模型的概率值进行概率求和，获得目标概率值，通过建模模块根据目标概率值和特征变量，建立用于判定是否为目标行为的目标机器学习模型，特征变量为从历史评价数据中提取的用于描述评价信息的参数，初始目标变量为从历史评价数据中提取的用于描述差评行为类型的参数，本发明系统在故意差评判断的应用场景中，目标行为即为故意差评，从而每一个机器学习子模型用于判定对应的中间目标变量所指示的故意差评类型，对各机器学习子模型的概率值进行概率求和就能够获得用于判定属于多种故意差评类型中的至少一种的概率，基于这一概率值所构建的模型便能够对于多种故意差评类型进行判定，提高故意差评的识别效率的目的，实现了网络规范化、购物有序化的目的。
附图说明
图1为本发明的系统图。
附图标记为：1、数据模块；2、训练学习模块；3、求和模块；4、建模模块；5、显示模块；6、数据获取单元；7、数据储存单元；8、数据分析单元；9、显示器单元；10、计算单元。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如附图1所示的一种用于构建机器学习建模过程的系统，包括数据模块1、训练学习模块2、求和模块3、建模模块4与显示模块5，数据模块1包括数据获取单元6、数据储存单元7与数据分析单元8，显示模块5包括显示器单元9。
进一步的，数据模块1用于根据各初始目标变量之间的相容或互斥状态，对相容的初始目标变量进行合并，获得相互之间为互斥状态的中间目标变量。
进一步的，初始目标变量用于指示目标行为的实现形式。
进一步的，训练学习模块2用于分别对各中间目标变量对应的机器学习子模型进行训练，获得各机器学习子模型的概率值。
进一步的，机器学习子模型用于根据描述差评行为的特征变量判定对应中间目标变量指示的目标行为类型。
进一步的，求和模块3用于对各机器学习子模型的概率值进行概率求和，获得目标概率值。
进一步的，建模模块4用于根据目标概率值和特征变量，建立用于判定是否为目标行为的目标机器学习模型。
进一步的，特征变量为从历史评价数据中提取的用于描述评价信息的参数，初始目标变量为从历史评价数据中提取的用于描述差评行为类型的参数。
进一步的，数据模块1还包括计算单元10，计算单元10包括处理器。
本发明工作原理：本发明系统通过数据模块1获得数据并进行分析，根据各初始目标变量之间的相容或互斥状态，对相容的初始目标变量进行合并，获得相互之间为互斥状态的中间目标变量，其中，初始目标变量用于指示目标行为的实现形式，操作时，将两两之间为互斥状态的初始目标变量组成初始目标变量对，构建包括各初始目标变量的拆分集合，依次针对每一个初始目标变量对，执行根据初始目标变量对，将拆分集合拆分为两个下一级的拆分集合的步骤，在每一个下一级的拆分集合中包含有初始目标变量对中的一个初始目标变量，以及被拆分的拆分集合中除初始目标变量对之外的全部元素，其中，下一级的拆分集合用于根据下一个初始目标变量对进行拆分，对相互之间存在包含关系的拆分集合进行合并，获得目标子集；将同一目标子集中的初始目标变量合并，作为中间目标变量，通过训练学习模块2分别对各中间目标变量对应的机器学习子模型进行训练，获得各机器学习子模型的概率值，机器学习子模型用于根据描述差评行为的特征变量判定对应中间目标变量指示的目标行为类型，通过求和模块3对各机器学习子模型的概率值进行概率求和，获得目标概率值，通过建模模块4根据目标概率值和特征变量，建立用于判定是否为目标行为的目标机器学习模型，特征变量为从历史评价数据中提取的用于描述评价信息的参数，初始目标变量为从历史评价数据中提取的用于描述差评行为类型的参数，本发明系统在故意差评判断的应用场景中，目标行为即为故意差评，从而每一个机器学习子模型用于判定对应的中间目标变量所指示的故意差评类型，对各机器学习子模型的概率值进行概率求和就能够获得用于判定属于多种故意差评类型中的至少一种的概率，基于这一概率值所构建的模型便能够对于多种故意差评类型进行判定，提高故意差评的识别效率的目的，实现了网络规范化、购物有序化的目的。
最后应说明的几点是：首先，在本申请的描述中，需要说明的是，除非另有规定和限定，术语“安装”、“相连”、“连接”应做广义理解，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变，则相对位置关系可能发生改变；
其次：本发明公开实施例附图中，只涉及到与本公开实施例涉及到的结构，其他结构可参考通常设计，在不冲突情况下，本发明同一实施例及不同实施例可以相互组合；
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种用于构建机器学习建模过程的系统，包括数据模块(1)、训练学习模块(2)、求和模块(3)、建模模块(4)与显示模块(5)，其特征在于：所述数据模块(1)包括数据获取单元(6)、数据储存单元(7)与数据分析单元(8)，所述显示模块(5)包括显示器单元(9)。
2.根据权利要求1所述的一种用于构建机器学习建模过程的系统，其特征在于：所述数据模块(1)用于根据各初始目标变量之间的相容或互斥状态，对相容的初始目标变量进行合并，获得相互之间为互斥状态的中间目标变量。
3.根据权利要求2所述的一种用于构建机器学习建模过程的系统，其特征在于：所述初始目标变量用于指示目标行为的实现形式。
4.根据权利要求3所述的一种用于构建机器学习建模过程的系统，其特征在于：所述训练学习模块(2)用于分别对各中间目标变量对应的机器学习子模型进行训练，获得各机器学习子模型的概率值。
5.根据权利要求4所述的一种用于构建机器学习建模过程的系统，其特征在于：所述机器学习子模型用于根据描述差评行为的特征变量判定对应中间目标变量指示的目标行为类型。
6.根据权利要求5所述的一种用于构建机器学习建模过程的系统，其特征在于：所述求和模块(3)用于对各机器学习子模型的概率值进行概率求和，获得目标概率值。
7.根据权利要求6所述的一种用于构建机器学习建模过程的系统，其特征在于：所述建模模块(4)用于根据目标概率值和特征变量，建立用于判定是否为目标行为的目标机器学习模型。
8.根据权利要求7所述的一种用于构建机器学习建模过程的系统，其特征在于：所述特征变量为从历史评价数据中提取的用于描述评价信息的参数，所述初始目标变量为从历史评价数据中提取的用于描述差评行为类型的参数。
9.根据权利要求8所述的一种用于构建机器学习建模过程的系统，其特征在于：所述数据模块(1)还包括计算单元(10)，所述计算单元(10)包括处理器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110091641.2A CN113705824A (zh) | 2021-01-23 | 2021-01-23 | 一种用于构建机器学习建模过程的系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110091641.2A CN113705824A (zh) | 2021-01-23 | 2021-01-23 | 一种用于构建机器学习建模过程的系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113705824A true CN113705824A (zh) | 2021-11-26 |
Family
ID=78647679
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110091641.2A Pending CN113705824A (zh) | 2021-01-23 | 2021-01-23 | 一种用于构建机器学习建模过程的系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113705824A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015030606A2 (en) * | 2013-08-26 | 2015-03-05 | Auckland University Of Technology | Improved method and system for predicting outcomes based on spatio / spectro-temporal data |
| WO2017140222A1 (zh) * | 2016-02-19 | 2017-08-24 | 阿里巴巴集团控股有限公司 | 机器学习模型的建模方法及装置 |
| WO2018204764A1 (en) * | 2017-05-05 | 2018-11-08 | Camp4 Therapeutics Corporation | Identification and targeted modulation of gene signaling networks |
-
2021
- 2021-01-23 CN CN202110091641.2A patent/CN113705824A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015030606A2 (en) * | 2013-08-26 | 2015-03-05 | Auckland University Of Technology | Improved method and system for predicting outcomes based on spatio / spectro-temporal data |
| WO2017140222A1 (zh) * | 2016-02-19 | 2017-08-24 | 阿里巴巴集团控股有限公司 | 机器学习模型的建模方法及装置 |
| CN107103171A (zh) * | 2016-02-19 | 2017-08-29 | 阿里巴巴集团控股有限公司 | 机器学习模型的建模方法及装置 |
| WO2018204764A1 (en) * | 2017-05-05 | 2018-11-08 | Camp4 Therapeutics Corporation | Identification and targeted modulation of gene signaling networks |
Non-Patent Citations (2)
| Title |
|---|
| LEI LI;XUAN FEI;ZHUOLI DONG;TIEJUN YANG;: "Computer vision-based method for monitoring grain quantity change in warehouses", GRAIN & OIL SCIENCE AND TECHNOLOGY, no. 03, 15 September 2020 (2020-09-15) * |
| WANG HAO;YAN MING;SU XINNING;: "An investigation of machine learning based automatic classification of Chinese books", JOURNAL OF LIBRARY SCIENCE IN CHINA, no. 00, 15 October 2011 (2011-10-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20120230821A1 (en) | Wind power prediction method of single wind turbine generator | |
| CN113286315B (zh) | 负载均衡判断方法、装置、设备及存储介质 | |
| CN113099242B (zh) | 一种输电线路视频监测数据处理方法及系统 | |
| US20190147641A1 (en) | A real-time rendering method based on energy consumption-error precomputation | |
| CN113705824A (zh) | 一种用于构建机器学习建模过程的系统 | |
| CN104780535A (zh) | 一种多终端协同过程中安全中心节点的认证方法及装置 | |
| CN115033732B (zh) | 一种时空轨迹关联方法、装置、电子设备及存储介质 | |
| CN111815153A (zh) | 一种基于数字化双胞胎的科技成果转化运维监控云平台 | |
| CN114978878B (zh) | 定位方法、装置、电子设备及计算机可读存储介质 | |
| CN116488149A (zh) | 微电网发电策略确定方法、装置以及微电网 | |
| CN110826867A (zh) | 车辆管理方法、装置、计算机设备和存储介质 | |
| CN107480804B (zh) | 一种基于线面空间关系的迷宫求解方法 | |
| CN116205520A (zh) | 电网数字化管理指标体系的预警方法、系统及应用 | |
| CN113537330B (zh) | 一种非侵入式负荷识别方法 | |
| Embarak et al. | Intelligent image detection system based on internet of things and cloud computing | |
| CN110148065B (zh) | 一种考虑柔直影响的短路电流计算处理方法及系统 | |
| CN113554882A (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
| CN113554611A (zh) | 一种绝缘子自爆缺陷检测方法、装置、终端和存储介质 | |
| CN112561995A (zh) | 一种实时高效的6d姿态估计网络、构建方法及估计方法 | |
| CN114445320A (zh) | 图像分割质量的评测方法、装置、电子设备和存储介质 | |
| CN110084819B (zh) | 一种基于空间关系的激光点云输电线路分割方法 | |
| CN115640467B (zh) | 确定天气状态的方法、特征数据库构建方法和装置 | |
| CN110889614A (zh) | 基于scada大数据的电网系统重要用户供电风险分析方法 | |
| CN116307304B (zh) | 混合储能配置信息生成方法、装置、设备及可读存储介质 | |
| CN114694138B (zh) | 一种应用于智能驾驶的路面检测方法、装置及设备 |
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 |