CN113724117A - 用于房屋异常使用识别的模型训练方法和装置 - Google Patents

用于房屋异常使用识别的模型训练方法和装置 Download PDF

Info

Publication number
CN113724117A
CN113724117A CN202011584090.5A CN202011584090A CN113724117A CN 113724117 A CN113724117 A CN 113724117A CN 202011584090 A CN202011584090 A CN 202011584090A CN 113724117 A CN113724117 A CN 113724117A
Authority
CN
China
Prior art keywords
house
model
training
candidate
house address
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
Application number
CN202011584090.5A
Other languages
English (en)
Inventor
刘洋
陈国春
张钧波
郑宇�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jingdong City Beijing Digital Technology Co Ltd
Original Assignee
Jingdong City Beijing Digital Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jingdong City Beijing Digital Technology Co Ltd filed Critical Jingdong City Beijing Digital Technology Co Ltd
Priority to CN202011584090.5A priority Critical patent/CN113724117A/zh
Publication of CN113724117A publication Critical patent/CN113724117A/zh
Pending legal-status Critical Current

Links

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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Security & Cryptography (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提出一种用于房屋异常使用识别的模型训练方法和装置，其中，方法包括：将采集的各条候选记录，进行房屋地址信息的不可逆编码，得到对应的房屋地址标识，并将房屋地址标识发送至云端，以使云端服务器根据房屋地址标识，确定各候选记录所属的训练样本，响应于云端服务器发送的指示信息，确定本地采集的各候选记录所属的训练样本，根据本地采集的各候选记录所属的训练样本，对联邦学习模型中本地运行的模型节点进行训练，基于各候选记录对应的房屋地址标识，对齐多种数据源的数据得到对应的训练样本，基于训练样本的相应维度数据以对联邦学习模型中本地运行的模型节点进行训练，保证了各设备端的数据安全，提高了各个模型节点的训练效果。

Description

用于房屋异常使用识别的模型训练方法和装置
技术领域
本申请涉及计算机技术领域，尤其涉及一种用于房屋异常使用识别的模型训练方法和装置。
背景技术
随着城市化的进程，城市中越来越多的务工人员，务工人员会较多的租房需求，从而，导致居民楼存在异常使用的情况，主要包含非法改造的群组房、偷盗水电等情况。而异常使用的情况，在公安消防不能经常进行巡查或抽检的情况下，不容易被发现，会给公共安全带来极大的隐患，而定期的排查或抽检，需要耗费较大的成本，同时存在排查不全的问题。因此，如何对房屋的异常使用情况进行识别，成为亟待解决的技术问题。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请的第一个目的在于提出一种用于房屋异常使用识别的模型训练方法，通过汇总多种数据源的数据得到训练样本，以对联邦学习模型进行模型训练，以使得训练得到的模型可以准确、高效的识别房屋的异常使用情况。
本申请的第二个目的在于提出另一种用于房屋异常使用识别的模型训练方法。
本申请的第三个目的在于提出一种房屋异常使用识别方法。
本申请的第四个目的在于提出一种用于房屋异常使用识别的模型训练装置。
本申请的第五个目的在于提出另一种用于房屋异常使用识别的模型训练装置。
本申请的第六个目的在于提出一种房屋异常使用识别装置。
本申请的第七个目的在于提出一种计算机设备。
本申请的第八个目的在于提出一种非临时性计算机可读存储介质。
本申请的第九个目的在于提出一种计算机程序产品。
为达上述目的，本申请第一方面实施例提出了一种用于房屋异常使用识别的模型训练方法，应用于联邦学习系统中的至少两个设备，所述联邦学习系统还包括云端服务器，各所述设备执行的方法包括以下步骤：
采集多个候选记录；其中，每个所述候选记录包含房屋地址信息，以及与所述房屋地址信息关联的关联信息；
将各条所述候选记录，进行所述房屋地址信息的不可逆编码，得到各所述候选记录对应的房屋地址标识；
向所述云端服务器发送各所述候选记录对应的房屋地址标识，以使所述云端服务器根据所述房屋地址标识，确定各所述候选记录所属的训练样本；
响应于所述云端服务器发送的指示信息，确定本地采集的各所述候选记录所属的训练样本；
根据本地采集的各所述候选记录所属的训练样本，对联邦学习模型中本地运行的模型节点进行训练。
为达上述目的，本申请第二方面实施例提出了一种用于房屋异常使用识别的模型训练方法，应用于联邦学习系统中的云端服务器，所述联邦学习系统还包括至少两个设备；所述方法包括：
从至少两个所述设备获取采集的候选记录所对应的房屋地址标识；
根据所述房屋地址标识，确定各所述候选记录所属的训练样本；
向各所述设备发送对应的指示信息，所述指示信息用于指示对应设备采集的所述候选记录所属的训练样本，以使对应设备将采集的所述候选记录作为训练样本，对联邦学习模型中在本地运行的模型节点进行训练。
为达上述目的，本申请第三方面实施例提出了一种房屋异常使用识别方法，包括：
获取待识别的目标记录；其中，所述目标记录包含房屋地址信息，以及与所述房屋地址信息关联的关联信息；
将所述目标记录中的所述关联信息输入联邦学习模型经过训练的模型节点，以确定所述房屋地址信息对应房屋的异常使用情况；其中，所述模型节点是采用如第一方面所述的模型训练方法训练得到，或者采用如第二方面所述的模型训练方法训练得到。
为达上述目的，本申请第四方面实施例提出了一种用于房屋异常使用识别的模型训练装置，该装置包括：
第一获取模块，用于采集多个候选记录；其中，每个所述候选记录包含房屋地址信息，以及与所述房屋地址信息关联的关联信息；
编码模块，用于将各条所述候选记录，进行所述房屋地址信息的不可逆编码，得到各所述候选记录对应的房屋地址标识；
发送模块，用于向所述云端服务器发送各所述候选记录对应的房屋地址标识，以使所述云端服务器根据所述房屋地址标识，确定各所述候选记录所属的训练样本；
确定模块，用于响应于所述云端服务器发送的指示信息，确定本地采集的各所述候选记录所属的训练样本；
训练模块，用于根据本地采集的各所述候选记录所属的训练样本，对联邦学习模型中本地运行的模型节点进行训练。
为达上述目的，本申请第五方面实施例提出了另一种用于房屋异常使用识别的模型训练装置，该装置包括：
第二获取模块，用于从至少两个所述设备获取采集的候选记录所对应的房屋地址标识；
识别模块，用于根据所述房屋地址标识，确定各所述候选记录所属的训练样本；
指示模块，用于向各所述设备发送对应的指示信息，所述指示信息用于指示对应设备采集的所述候选记录所属的训练样本，以使对应设备将采集的所述候选记录作为训练样本，对联邦学习模型中在本地运行的模型节点进行训练。
为达上述目的，本申请第六方面实施例提出了一种房屋异常使用识别装置，包括：
第三获取模块，用于获取待识别的目标记录；其中，所述目标记录包含房屋地址信息，以及与所述房屋地址信息关联的关联信息；
处理模块，用于将所述目标记录中的所述关联信息输入联邦学习模型经过训练的模型节点，以确定所述房屋地址信息对应房屋的异常使用情况；其中，所述模型节点是采用如第一方面所述的模型训练方法，或如第二方面所述的模型训练方法训练得到。
为达上述目的，本申请第七方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如第一方面所述的模型训练方法，或者，实现如第二方面所述的模型训练方法，或者，实现如第三方面所述的房屋异常使用识别方法。
为了实现上述目的，本申请第八方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现如第一方面所述的模型训练方法，或者，实现如第二方面所述的模型训练方法，或者，实现如第三方面所述的房屋异常使用识别方法。
为了实现上述目的，本申请第九方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令被处理器执行时，实现如第一方面所述的模型训练方法，或者，实现如第二方面所述的模型训练方法，或者，实现如第三方面所述的房屋异常使用识别方法。
本实施例中，采集多个候选记录，将各条候选记录，进行房屋地址信息的不可逆编码，得到各候选记录对应的房屋地址标识，向云端服务器发送各候选记录对应的房屋地址标识，以使云端服务器根据房屋地址标识，确定各候选记录所属的训练样本，响应于云端服务器发送的指示信息，确定本地采集的各候选记录所属的训练样本，根据本地采集的各候选记录所属的训练样本，对联邦学习模型中本地运行的模型节点进行训练，基于各候选记录对应的房屋地址标识，对齐多种数据源的数据得到对应的训练样本，基于训练样本的相应维度数据以对联邦学习模型中本地运行的模型节点进行训练，保证了各设备端的数据安全，提高了各个模型节点的训练效果。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例所提供的一种用于房屋异常使用识别的模型训练方法的流程示意图；
图2为本申请实施例提供的另一种用于房屋异常使用识别的模型训练方法的流程示意图；
图3为本申请实施例提供的另一种用于房屋异常使用识别的模型训练方法的流程示意图；
图4为本申请实施例提供的另一种用于房屋异常使用识别的模型训练方法的示例；
图5为本申请实施例提供的另一种用于房屋异常使用识别的模型训练方法的流程示意图；
图6为本申请实施例提供的另一种用于房屋异常使用识别的模型训练方法的流程示意图；
图7为本申请实施例提供的一种房屋异常使用识别方法的流程示意图；
图8为本申请实施例提供的一种用于房屋异常使用识别的模型训练装置的结构示意图；
图9为本申请实施例提供的另一种用于房屋异常使用识别的模型训练装置的结构示意图；
图10为本申请实施例提供的一种房屋异常使用识别装置的结构示意图；
图11为申请实施例提供的一种示例性计算机设备的框图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的用于房屋异常使用识别的模型训练方法和装置。
图1为本申请实施例所提供的一种用于房屋异常使用识别的模型训练方法的流程示意图，该方法应用于联邦学习系统中的至少两个设备，联邦学习系统还包括云端服务器。
如图1所示，该方法包括以下步骤：
步骤101，采集多个候选记录，其中，每个候选记录包含房屋地址信息，以及与房屋地址信息关联的关联信息。
本实施例的两个设备，每一个设备对应一个可获取候选记录的数据源，至少两个设备采集的多个候选记录，对应来源于不同的数据源。而数据源不同，获取的候选记录则不同。
其中，其中，房屋地址信息包含对应的省、市、区、街道名称、小区名称、楼栋编号、单元编号、楼层和房间号中的一个或多个，本实施例中不进行限定。候选记录中的关联信息，用于表征能源使用、商品消费、房屋登记、户籍登记和工商登记中的至少一个。
本实施例中，候选记录可以从不同的数据源获取，数据源不同，从数据源中获取到的候选记录中包含的与房屋地址信息关联的关联信息则不同。
在本实施例的一个示例中，数据源包含涉及能源使用的第一数据源、涉及商品消费的第二数据源、涉及房屋登记的第三数据源、涉及户籍登记的第四数据源、以及涉及工商登记的第五数据源。对于数据源的分类和数量，本实施例中不进行限定。
作为一种示例，第一数据源提供的候选记录中，关联信息包括但不限于下列中的一个或多个组合：
各类能源的周期性消耗量；
各类能源的周期性消耗量相对设定参考量的变化量；
各类能源的周期性消耗量的平均值；
各类能源的周期性消耗量的最大值和/或最小值；
各类能源的周期性消耗量的中值。
其中，各类能源包含电能、水能、液化气能等；其中的周期可以根据需求进行设定，例如，1年，3年或5年，本实施例中不进行限定。
作为一种示例，第二数据源提供的候选记录中，关联信息包括但不限于下列中的一个或多个组合：
订单信息；
下单用户的标签数据；
下单用户的社交关系数据；
下单用户的画像数据。
其中，下单用户的标签数据、社交关系数据和画像数据，反应了用户的背景。
需要说明的是，本实施例中的订单，可以是来源于所选择区域中单个线上购物平台，也可以是多个线上平台的组合，线上平台可以是购物平台或者是外卖平台，例如，某东、某宝、某团等，本实施例中不一一列举。
可选地，线上消费数据往往同时包含了物流快递数据。如果没有线上消费数据，依托物流、快递数据，例如月平均快递数量，日均快递数量，快递金额，快递包装大小等，也可以作为和消费相关的关联信息，作为辅助建模数据，以增加数据维度。
作为一种示例，第三数据源提供的候选记录中，关联信息包括但不限于下列中的一个或多个组合：
房屋户型信息；
房屋面积信息；
房屋规划用途信息；
房屋建筑年代；
房屋违建信息；
房屋所在小区信息。
其中，第三数据源可以从房管局、房屋中介等获取。可选地，房屋所在小区信息，包含小区户数、电梯数、房屋楼层数、监控摄像头数量和道路数量中的一个或多个。
作为一种示例，第四数据源提供的候选记录中，关联信息包括但不限于下列中的一个或多个组合：
户口信息；
常住人口信息；
租住人口信息。
其中，租住人口信息可以包含租住人的年龄，租住年限。
作为一种示例，第五数据源提供的候选记录中，关联信息包括但不限于下列中的一个或多个组合：
注册单位的资本信息；
注册单位的违约信息。
本实施例中，由于有些房屋既可以作为住宅类，也可以作为商业用房，从而可以获取涉及工商登记的第五数据，以增加房屋包含的信息维度。
需要说明的是，本实施例中可以从上述的至少两个设备对应的数据源中获取多个候选记录。
步骤102，将各条候选记录，进行房屋地址信息的不可逆编码，得到各候选记录对应的房屋地址标识。
本实施例中，针对每一条候选记录，提取出候选记录中包含的房屋地址信息，针对房屋地址信息按照预设的编码方式，进行不可逆编码，以使得房屋地址信息对应的不可逆编码可以唯一标识该房屋地址信息，也就是说各候选记录对应的房屋地址标识可以用于唯一标识该房屋地址信息，提高了每一个房屋地址信息的唯一性，以便于后续根据唯一的房屋地址信息，可进行对应同一个房屋地址信息的候选记录的对齐，以确定属于同一训练样本的候选记录。
步骤103，向云端服务器发送各候选记录对应的房屋地址标识，以使云端服务器根据房屋地址标识，确定各候选记录所属的训练样本。
本实施例中，至少两个设备将采集的候选记录对应的房屋地址标识，发送至云端服务器，在云端服务器中进行多个训练样本的确定，实现了保护至少两个设备采集的候选记录数据的隐私和安全性，也就是说实现了至少两个设备采集的候选记录之间的隔离性，避免了数据的泄露，实现了在确定各候选记录所属的训练样本的同时，提高了数据的安全性。
本实施例中，至少两个设备将采集的各候选记录发送至云端服务器，云端服务器将各个候选记录对应的房屋地址标识对齐，将对应同一个房屋地址标识的至少两个候选记录划分为属于同一个数据集合，将同一数据集合中候选记录，确定为属于同一个训练样本，也就是说每一个训练样本具有对应的房屋地址标识，实现了针对每一个房屋地址标识，确定每一个候选记录，所属于的训练样本，提高了训练样本中包含的数据信息量，以便于提高后续模型训练的准确性。
步骤104，响应于云端服务器发送的指示信息，确定本地采集的各候选记录所属的训练样本。
其中，指示信息用于指示对应设备采集的候选记录所属的训练样本。
本实施例中的训练样本可以为一个或多个，训练样本的数量越多，后续模型训练的效果则越好。
步骤105，根据本地采集的各候选记录所属的训练样本，对联邦学习模型中本地运行的模型节点进行训练。
其中，每个训练样本用于表征对应同一地址标识的至少两个设备采集的两候选记录所包含的关联信息。
本实施例中，每一个设备均在本地设置有联邦学习模型的相应节点，设备不同，本地设置的模型节点不同。
在本申请实施例的一种实现方式中，采用无监督的训练方式对联邦学习模型中本地运行的模型节点进行训练，具体来说，每一个设备，根据本地采集的各候选记录所属的训练样本，对联邦学习模型中本地运行的模型节点进行模型训练，并在联邦学习模型本地运行的模型节点的损失函数最小时，模型节点训练完成，以使得联邦学习模型节点学习得到关联信息与房屋异常使用情况之间的对应关系，也就是说该训练得到的联邦学习模型的模型节点，可以用于识别房屋的异常使用情况。
在本申请实施例的另一种实现方式中，采用有监督的训练方式，对联邦学习模型进行训练，具体来说，根据多个候选记录所标注的异常信息，对所属的训练样本进行异常信息的标注，根据标注有异常信息的多个训练样本，对联邦学习模型本地运行的节点进行有监督训练，以使得联邦学习模型本地运行的节点学习得到关联信息与房屋异常使用情况之间的对应关系，也就是说该训练得到的联邦学习模型的模型节点，可以用于识别房屋的异常使用情况。
本实施例的模型训练方法中，采集多个候选记录，将各条候选记录，进行房屋地址信息的不可逆编码，得到各候选记录对应的房屋地址标识，向云端服务器发送各候选记录对应的房屋地址标识，以使云端服务器根据房屋地址标识，确定各候选记录所属的训练样本，响应于云端服务器发送的指示信息，确定本地采集的各候选记录所属的训练样本，根据本地采集的各候选记录所属的训练样本，对联邦学习模型中本地运行的模型节点进行训练，基于各候选记录对应的房屋地址标识，对齐多种数据源的数据得到对应的训练样本，基于训练样本的相应维度数据以对联邦学习模型中本地运行的模型节点进行训练，保证了各设备端的数据安全，提高了各个模型节点的训练效果。
基于上一实施例，图2为本实施例提供的另一种用于房屋异常使用识别的模型训练方法的流程示意图。
如图2所示，上述步骤101可以包括以下步骤：
步骤201，对每条存储记录提取房屋地址信息。
本实施例中，每个设备中都存储有多个记录，由于每个记录中包含了房屋地址信息，以及与房屋地址信息关联的关联信息，从而，从每个设备存储的记录中，可以提取到房屋地址信息。其中，房屋地址信息包含对应的省、市、区、街道名称、小区名称、楼栋编号、单元编号、楼层和房间号中的一个或多个，每一个房屋地址信息均具有对应的房屋类别。
步骤202，根据房屋地址信息所属的房屋类别，从多个存储记录中筛选出房屋类别为住宅类的候选记录。
其中，房屋类别包含住宅类、商业用房类，其中，商业用房类例如为写字楼、门面房等。
本实施例中，根据房屋地址信息，进行特征抽取，确定房屋地址信息所属的房屋类别，作为一种实现方式，房产管理部门，为了对房屋类别进行标识，通常会在生成房屋地址信息时，进行标识，以区别不同的房屋类别。作为另一种实现方式，是预先建立了房屋地址信息和对应的房屋类别的对应关系，从而，根据房屋地址信息，可以确定所属的房屋类别。
需要理解的是，本实施例中是筛选出房屋类别为住宅类的候选记录，对于房屋类别为商业用房的候选记录不进行处理，通常情况下，商业住宅有相关的监管部分定期排查，存在异常使用的情况较少。
步骤203，根据房屋地址信息的完整性，筛选出候选记录。
本实施例中，完整的房屋地址信息包含省、市、区、街道小区名称、楼栋编号、单元编号、楼层和门牌号。
本实施例中，根据提取到的房屋地址信息，还可以确定房屋地址信息包含的粒度是否到门户，也就是说确定房屋地址信息是否完整的包含省、市、区、街道小区名称、楼栋编号、单元编号、楼层和门牌号。进而，根据完整的房屋地址信息确定相应的房屋地址信息集合，针对相应房屋地址集合中每一个完整的房屋地址信息，筛选出对应完整的房屋地址信息的候选记录，以删除房屋地址信息不完整的候选记录，保留完整的每个房屋地址信息对应的候选记录，提高了候选记录确定的准确性。
本实施例的中，对每条存储记录提取房屋地址信息，根据房屋地址信息所属的房屋类别，从多个存储记录中筛选出房屋类别为住宅类的候选记录，实现了将商业用房排除在外，提高了候选记录确定的准确性。进一步，基于完整的房屋地址信息，进行候选记录的筛选，提高了候选记录确定的准确性。
基于上述实施例，图3为本实施例提供的另一种用于房屋异常使用识别的模型训练方法的流程示意图。
如图3所示，上述步骤105可以包括以下步骤：
步骤301，对本地采集的各候选记录所包含的关联信息进行特征工程处理，以得到对应训练样本中各设定特征字段的属性值。
其中，特征工程处理包括空值填充、归一化、多个特征字段聚合和特征字段生成中的至少一个。
在本实施例的一种实现方式中，针对本地采集的各候选记录，确定所包含的关联信息，不符合联邦学习模型进行模型训练时需要的样本的数据规则，则对相应的关联信息进行特征工程处理，以得到对应训练样本中各设定特征字段的属性值，其中，特征工程处理包括但不限于空值填充、归一化、多个特征字段聚合和特征字段生成中的至少一个，本实施例中不进行限定。
需要理解的是，特征工程处理并不是一定执行，在本实施例的另一种实现方式中，针对本地采集的各候选记录，确定所包含的关联信息，符合联邦学习模型进行模型训练时需要的样本的数据规则，则不需要对相应的关联信息进行特征工程处理，即将未做数据处理的相应的关联信息作为训练样本。
本实施例中，对于其他对联邦学习模型进行模型训练样本的数据处理方法，本实施例中不进行限定。
步骤302，将训练样本中各设定特征字段的属性值，输入模型节点进行训练，以得到模型节点的模型参数。
本实施例中，每一个设备均在本地设置有联邦学习模型的相应节点，设备不同，本地设置的模型节点不同。
本实施例中，针对每一个电子设备，对同一个训练样本，将该电子设备包含的对应该训练样本中设定特征字段的属性值，输入该电子设备对应的模型节点进行训练，以得到该电子设备对应模型节点的模型参数。同理，可得到每一个电子设备，针对相应的模型节点训练得到的模型参数。实现了利用属于同一个训练样本的不同特征字段的属性值对本地运行的模型节点进行训练，得到了基于一个训练样本的不同维度的进行对应模型节点训练的模型参数。
步骤303，向云服务器发送模型参数，以使云服务器对各设备发送的模型参数进行聚合，得到模型节点聚合后的模型参数。
步骤304，从云服务器获取模型节点聚合后的模型参数，并根据模型节点聚合后的模型参数，对模型节点进行模型参数更新。
本实施例中，各设备将针对本地模型节点训练得到的对应不同数据维度的模型参数发送至云端服务器，云端服务器对各设备发送的模型参数进行聚合，得到模型节点聚合后的模型参数，作为一种可能的实现方式，云端服务器根据至少两个设备采用对应的训练样本中对应维度的数据对模型节点进行训练时，确定的损失函数，确定每一个电子设备确定的模型参数的权要，基于权重进行加权求均值，确定模型节点聚合后的模型参数。
进而，各设备端从云服务器获取模型节点聚合后的模型参数，并根据各个模型节点聚合后的模型参数，对每一个模型节点进行模型参数更新，通过不断的迭代，提高模型训练的效果。
本实施例的模型训练方法中，通过对本地采集的各候选记录所包含的关联信息进行特征工程处理，以得到对应训练样本中各设定特征字段的属性值，将训练样本中各设定特征字段的属性值，输入模型节点进行训练，以得到模型节点的模型参数，向云服务器发送模型参数，以使云服务器对各设备发送的模型参数进行聚合，得到模型节点聚合后的模型参数，实现了通过采用属于同一个训练样本的不同特征字段的属性值对本地运行的模型节点进行训练，得到了基于一个训练样本的不同维度的模型参数，并在云端进行模型参数的会聚，根据汇聚到的模型参数，调整本地模型训练的方向，以逐步降低损失函数，实现了多方联合训练，以不断调整本地运行的模型节点的损失函数，不但避免了数据的外泄，也提高了各个模型节点的训练效果。
基于上述实施例，针对图4，对本实施例的用于房屋异常使用识别的模型训练方法进行说明。
如图4所示，确定要查询的地区，从该地区的5个设备对应的数据源中获取多个候选记录，5个数据源分别为涉及能源使用的第一数据源、涉及商品消费的第二数据源、涉及房屋登记的第三数据源、涉及户籍登记的第四数据源、以及涉及工商登记的第五数据源。其中，关于每个数据源提供了候选记录，每个数据源提供的候选记录可以为一个或多个，每个候选记录具有对应的房屋地址信息和与房屋地址信息关联的关联信息。其中，不同数据源提供的候选记录中可以包含的关联信息可以参照上述任一实施例中的说明，本实施例中不再赘述。
进而，根据每一个数据源提供的候选记录，提取房屋地址信息，根据提取的房屋地址信息，进行识别确定房屋地址信息对应的房屋类别，筛选出属于住宅类的房屋地址信息，并确定住宅类的房屋地址信息对应的候选记录。其中，根据提取到的房屋地址信息，还可以确定房屋地址信息包含的粒度是否到门户，也就是说确定房屋地址信息是否完整的包含省、市、区、街道小区名称、楼栋编号、单元编号、楼层和门牌号。进而，根据完整的房屋地址信息确定相应的房屋地址信息集合，针对相应房屋地址集合中每一个完整的房屋地址信息，对每个数据源提供的候选记录进行筛选，以删除房屋地址信息不完整的候选记录，保留完整的每个房屋地址信息对应的候选记录，提高了每个房屋地址信息对应的候选记录的准确性。
进一步，对房屋地址进行不可逆编码，确定房屋地址标识，其中，确定的房屋地址标识为唯一标识，从而确定每个候选记录对应的房屋地址标识。
进而将向云端服务器发送各候选记录对应的房屋地址标识，以使云端服务器根据房屋地址标识进行对齐，基于房屋地址标识的唯一性，可准确地将对应相同房屋地址标识的候选记录，确定为属于相同的数据集合，得到多个数据集合，将同一数据集合中的候选记录，确定属于同一个训练样本，从而以确定各候选记录所属的训练样本，响应于云端服务器发送的指示信息，确定本地采集的各候选记录所属的训练样本。
进而，对每个数据集合中至少两候选记录所包含的关联信息进行特征工程处理，以得到对应训练样本中各设定特征字段的属性值。将训练样本中各设定特征字段的属性值，输入联邦学习模型的各模型节点进行训练，实现了通过采用属于同一个训练样本的不同特征字段的属性值对本地运行的模型节点进行训练，得到了基于一个训练样本的不同维度的模型参数，并在云端进行模型参数的会聚，根据汇聚到的模型参数，调整本地模型训练的方向，以逐步降低损失函数，实现了多方联合训练，以不断调整本地运行的模型节点的损失函数，不但避免了数据的外泄，也提高了各个模型节点的训练效果。
为了实现上述实施例，本实施例提供了另一种用于房屋异常使用识别的模型训练方法，应用于联邦学习系统中的云端服务器，联邦学习系统还包括至少两个设备。
图5为本申请实施例提供的另一种用于房屋异常使用识别的模型训练方法的流程示意图，如图5所示，该方法包含以下步骤：
步骤501，从至少两个设备获取采集的候选记录所对应的房屋地址标识。
本实施例的执行主体为云端服务器。
本实施例的一个示例中，房屋地址标识，是对设备采集的候选记录中包含的房屋地址信息，进行不可逆编码，得到各候选记录所对应的房屋地址标识，该房屋地址标识可用于唯一标识对应的房屋地址信息，也即可以唯一标识对应的候选记录。
步骤502，根据房屋地址标识，确定各候选记录所属的训练样本。
本实施例中，在云端服务器中进行多个训练样本的确定，实现了保护至少两个设备采集的候选记录数据的隐私和安全性，也就是说实现了至少两个设备采集的候选记录之间的隔离性，避免了数据的泄露，提高了数据的安全性。
本实施例中，云端服务器将各个候选记录对应的房屋地址标识对齐，将对应同一个房屋地址标识的候选记录确定属于同一个训练样本，实现了针对每一个房屋地址标识，汇总对应的候选记录，得到对应的训练样本，也就是说每一个训练样本具有对应的房屋地址标识，也即对应相应的房屋地址信息，通过对齐汇总，提高了训练样本中包含的数据信息量，以便于提高后续模型训练的准确性。
步骤503，向各设备发送对应的指示信息，指示信息用于指示对应设备采集的候选记录所属的训练样本，以使对应设备将采集的候选记录作为训练样本，对联邦学习模型中在本地运行的模型节点进行训练。
本实施例中，云端服务器向各设备发送对应的指示信息，指示了各个设备采集的候选记录所属的训练样本。
例如，设备1，采集了2个候选记录，根据指示信息，确定候选记录1属于训练样本1，候选记录2属于训练样本2；设备2，采集了2个候选记录，根据指示信息，确定候选记录3属于训练样本2，候选记录4属于训练样本1。
其中，关于至少两个设备根据本地采集的各候选记录所属的训练样本，对联邦学习模型在本地运行的模型节点进行训练的实现方式，可按照上述实施例中的描述，原理相同，此处不再赘述。
本申请实施例的模型训练方法中，云端服务器从至少两个设备获取采集的候选记录所对应的房屋地址标识，根据房屋地址标识，确定各候选记录所属的训练样本，向各设备发送对应的指示信息，指示信息用于指示对应设备采集的候选记录所属的训练样本，以使对应设备将采集的候选记录作为训练样本，对联邦学习模型中在本地运行的模型节点进行训练，云端基于各候选记录对应的房屋地址标识，对齐并汇总多种数据源的数据得到对应的训练样本，提高了训练样本中包含的信息的维度，并提高了各维度信息的私密性和安全性，进而，使得各设备基于确定的训练样本，以对联邦学习模型中本地运行的模型节点进行训练，提高了各个模型节点的训练效果。
基于上述实施例，图6为本申请实施例提供的另一种用于房屋异常使用识别的模型训练方法的流程示意图，如图6所示，步骤502包含以下步骤：
步骤601，将房屋地址标识匹配的至少两候选记录，划分为同一数据集合。
本实施例中，每一个设备对应一个可获取候选记录的数据源，至少两个设备采集的多个候选记录，对应来源于不同的数据源。而数据源不同，获取的候选记录则不同。
候选记录中的关联信息，用于表征能源使用、商品消费、房屋登记、户籍登记和工商登记中的至少一个。
本实施例中，候选记录可以从不同的数据源获取，数据源不同，从数据源中获取到的候选记录中包含的与房屋地址信息关联的关联信息则不同。
在本实施例的一个示例中，数据源包含涉及能源使用的第一数据源、涉及商品消费的第二数据源、涉及房屋登记的第三数据源、涉及户籍登记的第四数据源、以及涉及工商登记的第五数据源。对于数据源本实施例中仅为示例说明，对于数据源的分类和数量，本实施例中不进行限定。
作为一种示例，第一数据源提供的候选记录中，关联信息包括但不限于下列中的一个或多个组合：
各类能源的周期性消耗量；
各类能源的周期性消耗量相对设定参考量的变化量；
各类能源的周期性消耗量的平均值；
各类能源的周期性消耗量的最大值和/或最小值；
各类能源的周期性消耗量的中值。
其中，各类能源包含电能、水能、液化气能等；其中的周期可以根据需求进行设定，例如，1年，3年或5年，本实施例中不进行限定。
作为一种示例，第二数据源提供的候选记录中，关联信息包括但不限于下列中的一个或多个组合：
订单信息；
下单用户的标签数据；
下单用户的社交关系数据；
下单用户的画像数据。
其中，下单用户的标签数据、社交关系数据和画像数据，反应了用户的背景。
需要说明的是，本实施例中的订单，可以是来源于所选择区域中单个线上购物平台，也可以是多个线上平台的组合，线上平台可以是购物平台或者是外卖平台，例如，某东、某宝、某团等，本实施例中不一一列举。
可选地，线上消费数据往往同时包含了物流快递数据。如果没有线上消费数据，依托物流、快递数据，例如月平均快递数量，日均快递数量，快递金额，快递包装大小等，也可以作为和消费相关的关联信息，作为辅助建模数据，以增加数据维度。
作为一种示例，第三数据源提供的候选记录中，关联信息包括但不限于下列中的一个或多个组合：
房屋户型信息；
房屋面积信息；
房屋规划用途信息；
房屋建筑年代；
房屋违建信息；
房屋所在小区信息。
其中，第三数据源可以从房管局、房屋中介等获取。可选地，房屋所在小区信息，包含小区户数、电梯数、房屋楼层数、监控摄像头数量和道路数量中的一个或多个。
作为一种示例，第四数据源提供的候选记录中，关联信息包括但不限于下列中的一个或多个组合：
户口信息；
常住人口信息；
租住人口信息。
其中，租住人口信息可以包含租住人的年龄，租住年限。
作为一种示例，第五数据源提供的候选记录中，关联信息包括但不限于下列中的一个或多个组合：
注册单位的资本信息；
注册单位的违约信息。
本实施例中，由于有些房屋既可以作为住宅类，也可以作为商业用房，从而可以获取涉及工商登记的第五数据，以增加房屋包含的信息维度。
需要说明的是，本实施例中可以从上述的至少两个设备对应的数据源中获取多个候选记录。
本实施例中，以两个设备为例进行说明，其中，设备1对应的数据源为涉及能源使用，设备2对应的数据源为涉及商品消费，其中，房屋地址标识、候选记录和数据集合的对应关系见下表1。
Figure BDA0002866539250000131
表1
例如，房屋地址标识1，汇总得到的对应的数据集合1中包含的两候选记录为设备1采集的涉及能源的候选记录1和设备2采集的涉及能源的候选记录a，实现了针对同一个房屋地址信息进行相关数据的汇总，提高了每一个房屋地址信息包含的信息维度。
在本申请实施例的一种实现方式中，为了提高同一个数据集合确定的准确性，房屋地址标识中，包含对应编码字符的第一部分和对应文本的第二部分，从而，上述步骤501，包含以下步骤：对任两个房屋地址标识，根据第二部分的语义相似度，和第一部分的文本匹配性，识别两个房屋地址标识是否匹配。
步骤602，将同一数据集合中的候选记录，确定为属于同一训练样本。
进而，将同一数据集合中的候选记录，确定为属于同一训练样本，从而增加了每一个训练样本中包含的信息的维度。
需要说明的是，不同的房屋地址信息，对应的两候选记录中，包含的关联信息的数量可以相同，也可以不同，也就是说汇总得到的数据集合可以相同，也不可以不同，本实施例中不进行限定。例如，关联信息和数量不同时，房屋地址标识1，对应的关联信息1为电能的消耗量和水能的消耗量。而房屋地址标识2，对应的关联信息2为电能的消耗量、水能的消耗量和燃气的消耗量，以及电能、水能和燃气的周期性消耗量相对设定参考量的变化量。
本实施例的模型训练方法中，通过将来源于不同设备对应的数据源的候选记录，进行房屋地址信息的不可逆编码，得到各候选记录对应的房屋地址标识，实现了房屋地址标识的唯一化，从而将对应相同房屋地址标识的候选记录，确定为属于相同数据集合，使得在针对每一个房屋地址信息，汇总得到对应的数据集合时，提高了数据集合汇总的准确性。
为了实现上述实施例，图7为本申请实施例提供的一种房屋异常使用识别方法的流程示意图。
如图7所示，该方法包含以下步骤：
步骤701，获取待识别的目标记录，其中，每个目标记录包含房屋地址信息，以及与房屋地址信息关联的关联信息。
本实施例中，待识别的目标记录可以是从不同的设备中获取得到的，目标记录可以为一个或多个。本实施例中，设备不同，获取到的候选记录中包含的与房屋地址信息关联的关联信息则不同。
其中，每一个设备对应一个可获取候选记录的数据源，至少两个设备采集的多个候选记录，对应来源于不同的数据源。而数据源不同，获取的候选记录则不同。
其中，其中，房屋地址信息包含对应的省、市、区、街道名称、小区名称、楼栋编号、单元编号、楼层和房间号中的一个或多个，本实施例中不进行限定。候选记录中的关联信息，用于表征能源使用、商品消费、房屋登记、户籍登记和工商登记中的至少一个。
本实施例中，候选记录可以从不同的数据源获取，数据源不同，从数据源中获取到的候选记录中包含的与房屋地址信息关联的关联信息则不同。
在本实施例的一个示例中，数据源包含涉及能源使用的第一数据源、涉及商品消费的第二数据源、涉及房屋登记的第三数据源、涉及户籍登记的第四数据源、以及涉及工商登记的第五数据源。对于数据源的分类和数量，本实施例中不进行限定。作为一种示例，第一数据源提供的候选记录中，关联信息包括但不限于下列中的一个或多个组合：
各类能源的周期性消耗量；
各类能源的周期性消耗量相对设定参考量的变化量；
各类能源的周期性消耗量的平均值；
各类能源的周期性消耗量的最大值和/或最小值；
各类能源的周期性消耗量的中值。
其中，各类能源包含电能、水能、液化气能等；其中的周期可以根据需求进行设定，例如，1年，3年或5年，本实施例中不进行限定。
作为一种示例，第二数据源提供的候选记录中，关联信息包括但不限于下列中的一个或多个组合：
订单信息；
下单用户的标签数据；
下单用户的社交关系数据；
下单用户的画像数据。
其中，下单用户的标签数据、社交关系数据和画像数据，反应了用户的背景。
需要说明的是，本实施例中的订单，可以是来源于所选择区域中单个线上购物平台，也可以是多个线上平台的组合，线上平台可以是购物平台或者是外卖平台，例如，某东、某宝、某团等，本实施例中不一一列举。
可选地，线上消费数据往往同时包含了物流快递数据。如果没有线上消费数据，依托物流快递数据，例如月平均快递数量，日均快递数量，快递金额，快递包装大小等，也可以作为和消费相关的关联信息，作为辅助建模数据，以增加数据维度。
作为一种示例，第三数据源提供的候选记录中，关联信息包括但不限于下列中的一个或多个组合：
房屋户型信息；
房屋面积信息；
房屋规划用途信息；
房屋建筑年代；
房屋违建信息；
房屋所在小区信息。
其中，第三数据源可以从房管局、房屋中介等获取。可选地，房屋所在小区信息，包含小区户数、电梯数、房屋楼层数、监控摄像头数量和道路数量中的一个或多个。
作为一种示例，第四数据源提供的候选记录中，关联信息包括但不限于下列中的一个或多个组合：
户口信息；
常住人口信息；
租住人口信息。
其中，租住人口信息可以包含租住人的年龄，租住年限。
作为一种示例，第五数据源提供的候选记录中，关联信息包括但不限于下列中的一个或多个组合：
注册单位的资本信息；
注册单位的违约信息。
本实施例中，由于有些房屋既可以作为住宅类，也可以作为商业用房，从而可以获取涉及工商登记的第五数据，以增加房屋包含的信息维度。
步骤702，将目标记录中的关联信息输入联邦学习模型经过训练的模型节点，以确定房屋地址信息对应房屋的异常使用情况。
其中，所述模型节点。
其中，模型节点是采用如图1-图6任一实施例所述的模型训练方法训练得到，关于联邦学习模型的训练过程，本实施例中不再赘述。
在一种实现方式中，本实施例中的目标记录是对应同一个房屋地址信息的，其中，目标记录可以是从上述至少两个数据源中获取到的多个记录，也就是说目标记录中包含至少两个数据源中记录，以增加了房屋地址对应的目标记录中包含的信息量，从而，在通过训练得到的联邦学习模型进行识别时，可以提高识别的准确度。
进一步，本实施例中，在识别得到房屋地址信息对应的房屋属于异常使用时，可以将存在异常使用情况的房屋的地址和联系人发送至对应的机构，以进行异常使用情况的解决，提高安全性。
需要说明的是，关于对同一个房屋地址信息进行目标记录汇总的方法，可以参照上述实施例中的相关解释说明，本实施例中不再赘述。
本实施例的房屋异常使用识别方法中，利用训练得到的联邦学习模型，对待识别的目标记录进行识别，以识别得到该房屋地址信息对应的房屋是否存在异常使用的情况，基于多维度的信息进行识别，提高了异常识别的准确度。
为了实现上述实施例，本申请还提出一种用于房屋异常使用识别的模型训练装置。
图8为本申请实施例提供的一种用于房屋异常使用识别的模型训练装置的结构示意图。
如图8所示，该装置包括：第一获取模块81、编码模块82、发送模块83、确定模块84和训练模块85。
第一获取模块81，用于采集多个候选记录；其中，每个候选记录包含房屋地址信息，以及与房屋地址信息关联的关联信息。
编码模块82，用于将各条候选记录，进行房屋地址信息的不可逆编码，得到各候选记录对应的房屋地址标识。
发送模块83，用于向云端服务器发送各候选记录对应的房屋地址标识，以使云端服务器根据房屋地址标识，确定各候选记录所属的训练样本。
确定模块84，用于响应于云端服务器发送的指示信息，确定本地采集的各候选记录所属的训练样本。
训练模块85，用于根据本地采集的各候选记录所属的训练样本，对联邦学习模型中本地运行的模型节点进行训练。
进一步，作为一种可能的实现方式，上述第一获取模块81，具体用于：
对每条存储记录提取所述房屋地址信息；根据所述房屋地址信息所属的房屋类别，从多个所述存储记录中筛选出所述房屋类别为住宅类的所述候选记录。
作为一种可能的实现方式，该装置，还包括：
筛选模块，用于根据所述房屋地址信息的完整性，筛选出所述候选记录。
作为一种可能的实现方式，上述训练模块85，具体用于：
对本地采集的各所述候选记录所包含的所述关联信息进行特征工程处理，以得到对应所述训练样本中各设定特征字段的属性值；其中，所述特征工程处理包括空值填充、归一化、多个特征字段聚合和特征字段生成中的至少一个；
将所述训练样本中各设定特征字段的属性值，输入所述模型节点进行训练，以得到所述模型节点的模型参数；
向所述云服务器发送所述模型参数，以使所述云服务器对各所述设备发送的模型参数进行聚合，得到所述模型节点聚合后的模型参数；
从所述云服务器获取所述模型节点聚合后的模型参数，并根据所述模型节点聚合后的模型参数，对所述模型节点进行模型参数更新。
作为一种可能的实现方式，候选记录中的关联信息，用于表征能源使用、商品消费、房屋登记、户籍登记和工商登记中的至少一个。
需要说明的是，前述对方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。
本实施例的模型训练装置中，从至少两个数据源获取多个候选记录，将来源于不同数据源的候选记录，根据所包含的房屋地址信息进行对齐，以得到多个数据集合，每个数据集合中包含对应相同房屋地址信息的至少两候选记录，根据多个数据集合，生成对应的多个训练样本，而每个训练样本用于表征对应数据集合中至少两候选记录所包含的关联信息，根据多个训练样本，对联邦学习模型进行模型训练，以使联邦学习模型学习得到关联信息与房屋异常使用情况之间的对应关系，通过汇总多种数据源的数据得到训练样本，以对联邦学习模型进行模型训练，以使得训练得到的模型可以准确、高效的识别房屋的异常使用情况。
为了实现上述实施例，本实施例提供了另一种用于房屋异常使用识别的模型训练装置，如图9所示，该装置包括：
第二获取模块91，用于从至少两个所述设备获取采集的候选记录所对应的房屋地址标识；
识别模块92，用于根据所述房屋地址标识，确定各所述候选记录所属的训练样本；
指示模块93，用于向各所述设备发送对应的指示信息，所述指示信息用于指示对应设备采集的所述候选记录所属的训练样本，以使对应设备将采集的所述候选记录作为训练样本，对联邦学习模型中在本地运行的模型节点进行训练。
进一步，在本申请实施例的一种实现方式中，上述识别模块92，具体用于：
将所述房屋地址标识匹配的至少两候选记录，划分为同一数据集合；将同一数据集合中的候选记录，确定为属于同一训练样本。
在本申请实施例的一种实现方式中，所述房屋地址标识中，包含对应编码字符的第一部分和对应文本的第二部分；上述识别模块92，具体还用于：
对任两个所述房屋地址标识，根据所述第二部分的语义相似度，和所述第一部分的文本匹配性，识别所述两个房屋地址标识是否匹配。
需要说明的是，前述对方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。
本申请实施例的模型训练装置中，云端服务器从至少两个设备获取采集的候选记录所对应的房屋地址标识，根据房屋地址标识，确定各候选记录所属的训练样本，向各设备发送对应的指示信息，指示信息用于指示对应设备采集的候选记录所属的训练样本，以使对应设备将采集的候选记录作为训练样本，对联邦学习模型中在本地运行的模型节点进行训练，云端基于各候选记录对应的房屋地址标识，对齐并汇总多种数据源的数据得到对应的训练样本，提高了训练样本中包含的信息的维度，并提高了各维度信息的私密性和安全性，进而，使得各设备基于确定的训练样本，以对联邦学习模型中本地运行的模型节点进行训练，以使得训练得到的模型可以准确、高效的识别房屋的异常使用情况。
为了实现上述实施例，本实施例提供了另一种房屋异常使用识别装置。
图10为本申请实施例提供的一种房屋异常使用识别装置的结构示意图。
如图10所示，该装置包括：第三获取模块110和处理模块111。
第三获取模块110，用于获取待识别的目标记录；其中，所述目标记录包含房屋地址信息，以及与所述房屋地址信息关联的关联信息。
处理模块111，用于用于将所述目标记录中的所述关联信息输入联邦学习模型经过训练的模型节点，以确定所述房屋地址信息对应房屋的异常使用情况；其中，模型节点是采用前述的任一所述的用于房屋异常使用识别的模型训练方法的实施例训练得到。
需要说明的是，前述对房屋异常使用识别方法实施例的解释说明，也适用于本实施例的装置，原理相同，此处不再赘述。
本实施例的房屋异常使用识别装置中，利用训练得到的联邦学习模型，对待识别的目标记录进行识别，以识别得到该房屋地址信息对应的房屋是否存在异常使用的情况，基于多维度的信息进行识别，提高了异常识别的准确度。
为了实现上述实施例，本申请实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如前述图1-4的方法实施例所述的模型训练方法，或者，实现如前述图5-6的方法实施例所述的模型训练方法，或者，实现如图7实施例所述的房屋异常使用识别方法。
为了实现上述实施例，本申请实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现如前述图1-4的方法实施例所述的模型训练方法，或者，实现如前述图5-6的方法实施例所述的模型训练方法，或者，实现如图7实施例所述的房屋异常使用识别方法。
为了实现上述实施例，本申请实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令被处理器执行时，实现如前述图1-4的方法实施例所述的模型训练方法，或者，实现如前述图5-6的方法实施例所述的模型训练方法，或者，实现如图7实施例所述的房屋异常使用识别方法。
为了实现上述实施例，图11为申请实施例提供的一种示例性计算机设备的框图。图11显示的计算机设备12仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图11所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图11未显示，通常称为“硬盘驱动器”)。尽管图11中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、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。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12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系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (15)

1.一种用于房屋异常使用识别的模型训练方法，其特征在于，应用于联邦学习系统中的至少两个设备，所述联邦学习系统还包括云端服务器，各所述设备执行的方法包括以下步骤：
采集多个候选记录；其中，每个所述候选记录包含房屋地址信息，以及与所述房屋地址信息关联的关联信息；
将各条所述候选记录，进行所述房屋地址信息的不可逆编码，得到各所述候选记录对应的房屋地址标识；
向所述云端服务器发送各所述候选记录对应的房屋地址标识，以使所述云端服务器根据所述房屋地址标识，确定各所述候选记录所属的训练样本；
响应于所述云端服务器发送的指示信息，确定本地采集的各所述候选记录所属的训练样本；
根据本地采集的各所述候选记录所属的训练样本，对联邦学习模型中本地运行的模型节点进行训练。
2.根据权利要求1所述的模型训练方法，其特征在于，所述采集多个候选记录，包括：
对每条存储记录提取所述房屋地址信息；
根据所述房屋地址信息所属的房屋类别，从多个所述存储记录中筛选出所述房屋类别为住宅类的所述候选记录。
3.根据权利要求2所述的模型训练方法，其特征在于，所述方法，还包括：
根据所述房屋地址信息的完整性，筛选出所述候选记录。
4.根据权利要求1所述的模型训练方法，其特征在于，所述根据本地采集的各所述候选记录所属的训练样本，对联邦学习模型中本地运行的模型节点进行训练，包括：
对本地采集的各所述候选记录所包含的所述关联信息进行特征工程处理，以得到对应所述训练样本中各设定特征字段的属性值；其中，所述特征工程处理包括空值填充、归一化、多个特征字段聚合和特征字段生成中的至少一个；
将所述训练样本中各设定特征字段的属性值，输入所述模型节点进行训练，以得到所述模型节点的模型参数；
向所述云服务器发送所述模型参数，以使所述云服务器对各所述设备发送的模型参数进行聚合，得到所述模型节点聚合后的模型参数；
从所述云服务器获取所述模型节点聚合后的模型参数，并根据所述模型节点聚合后的模型参数，对所述模型节点进行模型参数更新。
5.根据权利要求1-4任一项所述的模型训练方法，其特征在于，所述候选记录中的关联信息，用于表征能源使用、商品消费、房屋登记、户籍登记和工商登记中的至少一个。
6.一种用于房屋异常使用识别的模型训练方法，其特征在于，应用于联邦学习系统中的云端服务器，所述联邦学习系统还包括至少两个设备；所述方法包括：
从至少两个所述设备获取采集的候选记录所对应的房屋地址标识；
根据所述房屋地址标识，确定各所述候选记录所属的训练样本；
向各所述设备发送对应的指示信息，所述指示信息用于指示对应设备采集的所述候选记录所属的训练样本，以使对应设备将采集的所述候选记录作为训练样本，对联邦学习模型中在本地运行的模型节点进行训练。
7.根据权利要求6所述的模型训练方法，其特征在于，所述根据所述房屋地址标识，确定各所述候选记录所属的训练样本，包括：
将所述房屋地址标识匹配的至少两候选记录，划分为同一数据集合；
将同一数据集合中的候选记录，确定为属于同一训练样本。
8.根据权利要求7所述的模型训练方法，其特征在于，所述房屋地址标识中，包含对应编码字符的第一部分和对应文本的第二部分；所述将所述房屋地址标识匹配的至少两候选记录，划分为同一数据集合，包括：
对任两个所述房屋地址标识，根据所述第二部分的语义相似度，和所述第一部分的文本匹配性，识别所述两个房屋地址标识是否匹配。
9.一种房屋异常使用识别方法，其特征在于，包括以下步骤：
获取待识别的目标记录；其中，所述目标记录包含房屋地址信息，以及与所述房屋地址信息关联的关联信息；
将所述目标记录中的所述关联信息输入联邦学习模型经过训练的模型节点，以确定所述房屋地址信息对应房屋的异常使用情况；其中，所述模型节点是采用如权利要求1-5任一项所述的模型训练方法，或如权利要求6-8任一所述的模型训练方法训练得到。
10.一种用于房屋异常使用识别的模型训练装置，其特征在于，包括：
第一获取模块，用于采集多个候选记录；其中，每个所述候选记录包含房屋地址信息，以及与所述房屋地址信息关联的关联信息；
编码模块，用于将各条所述候选记录，进行所述房屋地址信息的不可逆编码，得到各所述候选记录对应的房屋地址标识；
发送模块，用于向所述云端服务器发送各所述候选记录对应的房屋地址标识，以使所述云端服务器根据所述房屋地址标识，确定各所述候选记录所属的训练样本；
确定模块，用于响应于所述云端服务器发送的指示信息，确定本地采集的各所述候选记录所属的训练样本；
训练模块，用于根据本地采集的各所述候选记录所属的训练样本，对联邦学习模型中本地运行的模型节点进行训练。
11.一种用于房屋异常使用识别的模型训练装置，其特征在于，包括：
第二获取模块，用于从至少两个所述设备获取采集的候选记录所对应的房屋地址标识；
识别模块，用于根据所述房屋地址标识，确定各所述候选记录所属的训练样本；
指示模块，用于向各所述设备发送对应的指示信息，所述指示信息用于指示对应设备采集的所述候选记录所属的训练样本，以使对应设备将采集的所述候选记录作为训练样本，对联邦学习模型中在本地运行的模型节点进行训练。
12.一种房屋异常使用识别装置，其特征在于，包括：
第三获取模块，用于获取待识别的目标记录；其中，所述目标记录包含房屋地址信息，以及与所述房屋地址信息关联的关联信息；
处理模块，用于将所述目标记录中的所述关联信息输入联邦学习模型经过训练的模型节点，以确定所述房屋地址信息对应房屋的异常使用情况；其中，所述模型节点是采用如权利要求1-5任一项所述的模型训练方法，或如权利要求6-8任一所述的模型训练方法训练得到。
13.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-5中任一所述的模型训练方法，或者，实现如权利要求6-8中任一所述的模型训练方法，或者，实现如权利要求9所述的房屋异常使用识别方法。
14.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的模型训练方法，或者，实现如权利要求6-8中任一所述的模型训练方法，或者，实现如权利要求9所述的房屋异常使用识别方法。
15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如权利要求1-5中任一所述的模型训练方法，或者，实现如权利要求6-8中任一所述的模型训练方法，或者，实现如权利要求9所述的房屋异常使用识别方法。
CN202011584090.5A 2020-12-28 2020-12-28 用于房屋异常使用识别的模型训练方法和装置 Pending CN113724117A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011584090.5A CN113724117A (zh) 2020-12-28 2020-12-28 用于房屋异常使用识别的模型训练方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011584090.5A CN113724117A (zh) 2020-12-28 2020-12-28 用于房屋异常使用识别的模型训练方法和装置

Publications (1)

Publication Number Publication Date
CN113724117A true CN113724117A (zh) 2021-11-30

Family

ID=78672402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011584090.5A Pending CN113724117A (zh) 2020-12-28 2020-12-28 用于房屋异常使用识别的模型训练方法和装置

Country Status (1)

Country Link
CN (1) CN113724117A (zh)

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100257108A1 (en) * 2009-03-17 2010-10-07 Skeels Iv William H Methods, systems, and computer readable media for building-specific data management using a globally unique identifier
US20150032479A1 (en) * 2013-07-25 2015-01-29 International Business Machines Corporation Determining and Evaluating Building Codes
CN108416693A (zh) * 2018-02-01 2018-08-17 东华大学 一种基于模糊神经网络的用电异常行为识别方法
CN109710628A (zh) * 2018-12-29 2019-05-03 深圳道合信息科技有限公司 信息处理方法及装置、系统、计算机及可读存储介质
CN109934110A (zh) * 2019-02-02 2019-06-25 广州中科云图智能科技有限公司 一种河道附近违建房屋识别方法
CN110246074A (zh) * 2019-05-27 2019-09-17 武汉虹信技术服务有限责任公司 一种基于多维采集的社区安防管理系统及方法
CN110458725A (zh) * 2019-08-20 2019-11-15 国网福建省电力有限公司 一种基于xgBoost模型和Hadoop架构的窃电识别分析方法及终端
US20190369570A1 (en) * 2018-05-30 2019-12-05 Mitsubishi Electric Us, Inc. System and method for automatically detecting anomalies in a power-usage data set
CN110619537A (zh) * 2019-06-18 2019-12-27 北京无限光场科技有限公司 用于生成信息的方法和装置
CN110674636A (zh) * 2019-09-02 2020-01-10 中国南方电网有限责任公司 一种用电行为分析方法
CN110874646A (zh) * 2020-01-16 2020-03-10 支付宝(杭州)信息技术有限公司 一种联邦学习的异常处理方法、装置及电子设备
US20200167834A1 (en) * 2017-12-28 2020-05-28 Google Llc Intelligent identification and provisioning of devices and services for a smart home environment
CN111526024A (zh) * 2020-05-06 2020-08-11 国网安徽省电力有限公司信息通信分公司 基于区块链的建筑施工监控实现方法
US20200265119A1 (en) * 2019-02-14 2020-08-20 Accenture Global Solutions Limited Site-specific anomaly detection
CN111563448A (zh) * 2020-04-30 2020-08-21 北京百度网讯科技有限公司 一种违章建筑物检测方法、装置、电子设备和存储介质
CN111582117A (zh) * 2020-04-29 2020-08-25 长江大学 一种无人机违章建筑物巡检方法、设备及存储介质
US20200293887A1 (en) * 2019-03-11 2020-09-17 doc.ai, Inc. System and Method with Federated Learning Model for Medical Research Applications
CN111914942A (zh) * 2020-08-12 2020-11-10 烟台海颐软件股份有限公司 一种多表合一用能异常分析方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100257108A1 (en) * 2009-03-17 2010-10-07 Skeels Iv William H Methods, systems, and computer readable media for building-specific data management using a globally unique identifier
US20150032479A1 (en) * 2013-07-25 2015-01-29 International Business Machines Corporation Determining and Evaluating Building Codes
US20200167834A1 (en) * 2017-12-28 2020-05-28 Google Llc Intelligent identification and provisioning of devices and services for a smart home environment
CN108416693A (zh) * 2018-02-01 2018-08-17 东华大学 一种基于模糊神经网络的用电异常行为识别方法
US20190369570A1 (en) * 2018-05-30 2019-12-05 Mitsubishi Electric Us, Inc. System and method for automatically detecting anomalies in a power-usage data set
CN109710628A (zh) * 2018-12-29 2019-05-03 深圳道合信息科技有限公司 信息处理方法及装置、系统、计算机及可读存储介质
CN109934110A (zh) * 2019-02-02 2019-06-25 广州中科云图智能科技有限公司 一种河道附近违建房屋识别方法
US20200265119A1 (en) * 2019-02-14 2020-08-20 Accenture Global Solutions Limited Site-specific anomaly detection
US20200293887A1 (en) * 2019-03-11 2020-09-17 doc.ai, Inc. System and Method with Federated Learning Model for Medical Research Applications
CN110246074A (zh) * 2019-05-27 2019-09-17 武汉虹信技术服务有限责任公司 一种基于多维采集的社区安防管理系统及方法
CN110619537A (zh) * 2019-06-18 2019-12-27 北京无限光场科技有限公司 用于生成信息的方法和装置
CN110458725A (zh) * 2019-08-20 2019-11-15 国网福建省电力有限公司 一种基于xgBoost模型和Hadoop架构的窃电识别分析方法及终端
CN110674636A (zh) * 2019-09-02 2020-01-10 中国南方电网有限责任公司 一种用电行为分析方法
CN110874646A (zh) * 2020-01-16 2020-03-10 支付宝(杭州)信息技术有限公司 一种联邦学习的异常处理方法、装置及电子设备
CN111582117A (zh) * 2020-04-29 2020-08-25 长江大学 一种无人机违章建筑物巡检方法、设备及存储介质
CN111563448A (zh) * 2020-04-30 2020-08-21 北京百度网讯科技有限公司 一种违章建筑物检测方法、装置、电子设备和存储介质
CN111526024A (zh) * 2020-05-06 2020-08-11 国网安徽省电力有限公司信息通信分公司 基于区块链的建筑施工监控实现方法
CN111914942A (zh) * 2020-08-12 2020-11-10 烟台海颐软件股份有限公司 一种多表合一用能异常分析方法

Similar Documents

Publication Publication Date Title
CN113792453B (zh) 基于数字孪生的局部放电监测系统、方法和装置
CN110765770B (zh) 一种合同自动生成方法及装置
WO2022105115A1 (zh) 问答对匹配方法、装置、电子设备及存储介质
CN111343161B (zh) 异常信息处理节点分析方法、装置、介质及电子设备
CN111612041B (zh) 异常用户识别方法及装置、存储介质、电子设备
CN112040014B (zh) 物联网系统确定方法、装置、电子设备及存储介质
CN110084289B (zh) 图像标注方法、装置、电子设备及存储介质
CN114462616A (zh) 用于防止敏感数据在线公开的机器学习模型
CN108241867B (zh) 一种分类方法及装置
CN110941732B (zh) 自适应的标准件三维cad模型检索系统
CN112818162A (zh) 图像检索方法、装置、存储介质和电子设备
WO2018033052A1 (zh) 一种评估用户画像数据的方法及系统
CN113379469A (zh) 一种异常流量检测方法、装置、设备及存储介质
CN109582906A (zh) 数据可靠度的确定方法、装置、设备和存储介质
CN112613569A (zh) 图像识别方法、图像分类模型的训练方法及装置
CN112732949A (zh) 一种业务数据的标注方法、装置、计算机设备和存储介质
CN111291936B (zh) 产品生命周期预估模型生成方法、装置及电子设备
CN114724169A (zh) 一种二维图纸构件的识别方法及系统
WO2023159771A1 (zh) 基于rpa和ai的发票处理方法、装置、设备和介质
CN116611071A (zh) 一种基于多模态的函数级漏洞检测的方法
CN115574867A (zh) 互感器故障检测方法、装置、电子设备及存储介质
CN111738290B (zh) 图像检测方法、模型构建和训练方法、装置、设备和介质
CN108734393A (zh) 房源信息的匹配方法、用户设备、存储介质及装置
CN117829990A (zh) 基于区块链的资产流转溯源方法、装置、设备及存储介质
CN112363996A (zh) 用于建立电网知识图谱的物理模型的方法及系统和介质

Legal Events

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