CN113743440A - 一种信息处理方法及装置、存储介质 - Google Patents

一种信息处理方法及装置、存储介质 Download PDF

Info

Publication number
CN113743440A
CN113743440A CN202110043070.5A CN202110043070A CN113743440A CN 113743440 A CN113743440 A CN 113743440A CN 202110043070 A CN202110043070 A CN 202110043070A CN 113743440 A CN113743440 A CN 113743440A
Authority
CN
China
Prior art keywords
information
target object
weight values
parameter information
neural network
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
CN202110043070.5A
Other languages
English (en)
Inventor
蒋权
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.)
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information 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 Beijing Jingdong Century Trading Co Ltd, Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN202110043070.5A priority Critical patent/CN113743440A/zh
Publication of CN113743440A publication Critical patent/CN113743440A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种信息处理方法及装置、存储介质，包括在获取到目标对象的多个参数信息和目标对象的历史数量信息的情况下，根据多个参数信息和历史数量信息，确定多个参数信息对应的多个初始权重值；将多个初始权重值输入层次分析模型，得到多个权重值；将多个权重值输入预设卷积神经网络模型，得到目标对象对应的类别标签，并基于类别标签对应的处理方式处理目标对象，卷积神经网络模型中的每个处理层的权重值是基于当前处理层和下一层的参数得到的。

Description

一种信息处理方法及装置、存储介质
技术领域
本发明涉及分类技术领域，尤其涉及一种信息处理方法及装置、存储介质。
背景技术
随着互联网技术的不断发展，用户可以通过互联网技术来获取其他区域的目标对象，以提高用户获取目标对象时的便利性。
在现有技术中，在用户利用互联网获取目标对象的过程中，互联网会记录目标对象的获取记录，如目标对象的获取数量信息、品牌、型号、尺寸等信息。人工可以根据目标对象的获取数量信息、品牌、型号、尺寸等信息对目标对象进行分类，以确定出目标对象的类别标签，由于人工无法对类别标签的临界点划分进行具体量化，是直接根据人工的经验来确定目标对象的分类标签，如此，降低了对目标对象进行分类时的准确性。
发明内容
为解决上述技术问题，本发明实施例期望提供一种信息处理方法及装置、存储介质，能够提高信息处理装置对目标对象进行分类时的准确性。
本发明的技术方案是这样实现的：
本申请实施例提供一种信息处理方法，包括：
在获取到目标对象的多个参数信息和目标对象的历史数量信息的情况下，根据所述多个参数信息和所述历史数量信息，确定所述多个参数信息对应的多个初始权重值；
将所述多个初始权重值输入层次分析模型，得到多个权重值；
将所述多个权重值输入预设卷积神经网络模型，得到所述目标对象对应的类别标签，并基于所述类别标签对应的处理方式处理所述目标对象，所述卷积神经网络模型中的每个处理层的权重值是基于当前处理层和下一层的参数得到的。
本申请实施例提供了一种信息处理装置，所述装置包括：
确定单元，用于在获取到目标对象的多个参数信息和目标对象的历史数量信息的情况下，根据所述多个参数信息和所述历史数量信息，确定所述多个参数信息对应的多个初始权重值；
输入单元，用于将所述多个初始权重值输入层次分析模型，得到多个权重值；将所述多个权重值输入预设卷积神经网络模型，得到所述目标对象对应的类别标签，并基于所述类别标签对应的处理方式处理所述目标对象，所述卷积神经网络模型中的每个处理层的权重值是基于当前处理层和下一层的参数得到的。
本申请实施例提供了一种信息处理装置，所述装置包括：
存储器、处理器和通信总线，所述存储器通过所述通信总线与所述处理器进行通信，所述存储器存储所述处理器可执行的信息处理的程序，当所述信息处理的程序被执行时，通过所述处理器执行上述所述的信息处理方法。
本申请实施例提供了一种存储介质，其上存储有计算机程序，应用于信息处理装置，其特征在于，该计算机程序被处理器执行时实现上述所述的信息处理方法。
本发明实施例提供了一种信息处理方法及装置、存储介质，信息处理方法包括：在获取到目标对象的多个参数信息和目标对象的历史数量信息的情况下，根据多个参数信息和历史数量信息，确定多个参数信息对应的多个初始权重值；将多个初始权重值输入层次分析模型，得到多个权重值；将多个权重值输入预设卷积神经网络模型，得到目标对象对应的类别标签，并基于类别标签对应的处理方式处理目标对象，卷积神经网络模型中的每个处理层的权重值是基于当前处理层和下一层的参数得到的。采用上述方法实现方案，信息处理装置在获取到目标对象的多个参数信息对应的多个初始权重值的情况下，信息处理装置就可以利用层次分析模型对多个初始权重值进行处理，得到多个权重值，利用预设卷积神经网络模型对多个权重值进行处理，从而得到目标对象的类别标签，提高信息处理装置对目标对象进行分类时的准确性。
附图说明
图1为本申请实施例提供的一种信息处理方法流程图；
图2为本申请实施例提供的一种示例性的信息处理方法流程图；
图3为本申请实施例提供的一种示例性的信息处理装置的组成结构示意图；
图4为本申请实施例提供的一种信息处理装置的组成结构示意图一；
图5为本申请实施例提供的一种信息处理装置的组成结构示意图二。
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。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。
实施例一
本申请实施例提供了一种信息处理方法，图1为本申请实施例提供的一种信息处理方法流程图一，如图1所示，信息处理方法可以包括：
S101、在获取到目标对象的多个参数信息和目标对象的历史数量信息的情况下，根据多个参数信息和历史数量信息，确定多个参数信息对应的多个初始权重值。
本申请实施例提供的一种信息处理方法适用于信息处理装置对目标对象进行分类的场景下。
在本申请实施例中，信息处理装置可以以各种形式来实施。例如，本申请中描述的信息处理装置可以包括诸如手机、照相机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant，PDA)、便捷式媒体播放器(Portable Media Player，PMP)、导航装置、可穿戴设备、智能手环、计步器等装置，以及诸如数字TV、台式计算机等装置。
在本申请实施例中，目标对象可以为商品，目标对象也可以为快递，目标对象还可以为其他的东西，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
在本申请实施例中，若目标对象为商品，则多个参数信息包括商品的品牌、型号、尺寸、浏览、加购、评价等信息。
在本申请实施例中，若目标对象为商品，则目标对象的历史数量信息可以为商品的历史销售量。
需要说明的是，历史销量信息和可以为商品的历史总销量，也可以为商品的历史平均销量，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
在本申请实施例中，信息处理装置可以从日志信息中获取目标对象的多个参数信息和目标对象的历史数量信息，信息处理装置也可以以其他的方式来获取目标对象的多个参数信息和目标对象的历史数量信息，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
在本申请实施例中，多个初始权重值为多个参数信息对应的初始权重值，其中一个参数信息对应一个初始权重值。
需要说明的是，多个初始权重值的和为1。
在本申请实施例中，信息处理装置根据多个参数信息和历史数量信息，确定多个参数信息对应的多个初始权重值之前，信息处理装置还会获取目标对象的初始历史数量信息；信息处理装置对初始历史数量信息进行去噪处理，得到历史数量信息。
在本申请实施例中，初始历史数量信息可以为目标对象的历史销量信息，信息处理装置可以从目标对象对应的日志信息中获取该历史销量信息，信息处理装置可以从目标对象的数据库中获取该历史销量信息，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
在本申请实施例中，信息处理装置对初始历史数量信息进行去噪处理，得到历史数量信息的过程，包括信息处理装置获取目标对象在一段时间内的总销量，信息处理装置根据该总销量和一段时间，得到目标对象在该一段时间内的平均销量，即得到历史数量信息。
示例性的，工业上的原始数据通常包含许多噪音数据，对于电商平台的商品销量数据受业务数据录入错误或者其它特征原因如时间、季节、大促等影响，类似618和双11这种活动力度往往会持两周，这期间的数据就需要进行数据去噪处理。如，历史数量信息可以为xi，假设：
Figure BDA0002896637830000051
其中，
Figure BDA0002896637830000052
为xi前后3天销量共6天销量的平均值，σ为前后3天销量共6天销量的标准差。若xi满足公式(1)的条件，则认为xi不属于异常值；若xi不满足公式(1)的条件，则认为xi属于异常值，需要对xi做如下的去噪处理：
Figure BDA0002896637830000053
利用公式(2)可以平滑历史数量信息的噪声点，但同时也可以保留下该点在当前应该有的部分递增或递减的趋势，所以公式(2)用
Figure BDA0002896637830000054
替换xi，
Figure BDA0002896637830000055
为xi前后3天销量和当日销量的平均值。
在本申请实施例中，信息处理装置根据多个参数信息和历史数量信息，确定多个参数信息对应的多个初始权重值的过程，包括信息处理装置将多个参数信息中的每一个参数信息分别和历史数量信息进行组合，得到多组组合信息；信息处理装置对多组组合信息进行线性回归处理，得到多个初始权重值。
在本申请实施例中，信息处理装置可以利用线性回归模型，根据多个参数信息和历史数量信息，确定多个参数信息对应的多个初始权重值；信息处理装置也可以以其他的方式，根据多个参数信息和历史数量信息，确定多个参数信息对应的多个初始权重值，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
在本申请实施例中，设给定数据集D＝{(x1,y1)，(x2,y2)，…，(xi,yi)}，其中xi＝(xi1；xi2；…；xid)，xi为根据第i个商品的多个参数信息得到的向量，yi为第i个商品的历史销量信息，线性回归模型为通过属性的线性组合进行预测的函数，即
f(x)＝ωTx+b (3)
其中ωT＝(ω1；ω2；…；ωd)，d为属性的个数，ω和b学习到之后，线性回归模型就得以开始预测。通常情况下使用均方根误差作为函数的最小化损失函数，并且使用梯度下降算法对损失函数公式(4)进行求解。
Figure BDA0002896637830000061
其中
Figure BDA0002896637830000062
则
Figure BDA0002896637830000063
最后求导就可以得出ω和b。
需要说明的是，得到的向量ω即为多个初始权重值。
S102、将多个初始权重值输入层次分析模型，得到多个权重值。
在本申请实施例中，信息处理装置根据多个参数信息和历史数量信息，确定多个参数信息对应的多个初始权重值之后，信息处理装置就将多个初始权重值输入层次分析模型，得到多个权重值。
需要说明的是，层次分析模型可以为根据层次分析法(Analytic HierarchyProcess，AHP)得到的模型。
在本申请实施例中，信息处理装置将多个初始权重值输入层次分析模型，得到多个权重值的过程，包括：信息处理装置根据多个初始权重值，确定初始矩阵；信息处理装置确定初始矩阵中每一个元素的对数，得到反对称矩阵；信息处理装置根据三标度规则对比反对称矩阵中任两个元素之间的重要性，得到比较矩阵；信息处理装置确定比较矩阵的最优传递矩阵，并根据最优传递矩阵，得到多个权重值。
在本申请实施例中，信息处理装置将利用线性回归模型初始化多个初始权重值得到初始矩阵A，即判断矩阵A，然后信息处理装置确定初始矩阵中每一个元素的对数，得到反对称矩阵B，信息处理装置再根据三标度规则对比反对称矩阵B中任两个元素之间的重要性，得到比较矩阵C；信息处理装置确定矩阵C的最优传递矩阵O，根据最优传递矩阵O得到D矩阵，确定出来的D矩阵的特征向量即为多个权重值。
示例性的，判断矩阵A＝[aij]n×n
求判断矩阵A的反对称矩阵
Figure BDA0002896637830000071
其中，
Figure BDA0002896637830000072
根据B矩阵，利用3标度法构建比较矩阵
Figure BDA0002896637830000073
其中，
Figure BDA0002896637830000074
求C的最优传递矩阵
Figure BDA0002896637830000075
其中，
Figure BDA0002896637830000076
根据O矩阵确定矩阵
Figure BDA0002896637830000077
其中，
Figure BDA0002896637830000078
求得的D矩阵的特征向量Wi，即[W1，W2，…，Wn]T为多个权重值。
可以理解的是，最优传递矩阵实质上是为了获得合理的指标权重系数，通过不同数学手段换算法来转换原始矩阵。考虑到传统的层次分析法的都是通过正互反矩阵的方式构建判断矩阵，这样很大程度上忽略其它指标对当前指标的影响程度，本申请采用最优传递矩阵法对判断矩阵进行优化处理，不会忽略其它指标对当前指标的影响程度，提高了信息处理装置确定多个权重值时的准确性。
S103、将多个权重值输入预设卷积神经网络模型，得到目标对象对应的类别标签，并基于类别标签对应的处理方式处理目标对象，预设卷积神经网络模型中的每个处理层的权重值是基于当前处理层和下一层的参数得到的。
在本申请实施例中，信息处理装置将多个初始权重值输入层次分析模型，得到多个权重值之后，信息处理装置就将多个权重值输入预设卷积神经网络模型，得到目标对象对应的类别标签。
在本申请实施例中，若目标对象可以为商品，目标对象对应的类别标签可以为爆品商品标签、畅销商品标签、常销量商品标签和低销量商品标签。
需要说明的是，在信息装置确定出类别标签为爆品商品标签的情况下，信息处理装置可以基于爆品商品的销售方式来销售目标对象；在信息装置确定出类别标签为畅销商品标签的情况下，信息处理装置可以基于畅销商品的销售方式来销售目标对象；在信息装置确定出类别标签为常销量商品标签的情况下，信息处理装置可以基于常销量商品的销售方式来销售目标对象；在信息装置确定出类别标签为低销量商品标签的情况下，信息处理装置可以基于低销量商品的销售方式来销售目标对象。
在本申请实施例中，处理层可以为预设卷积神经网络模型中的卷积层，也可以为预设卷积神经网络模型的下采样层(池化层)，还可以为预设卷积神经网络模型的全连接层，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
需要说明的是，卷积层的数量可以为一个，也可以为两个，还可以为多个，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
需要说明的是，池化层的数量可以为一个，也可以为两个，还可以为多个，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
需要说明的是，全连接层的数量可以为一个，也可以为两个，还可以为多个，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
在本申请实施例中，信息处理装置将多个权重值输入预设卷积神经网络模型，得到目标对象对应的类别标签的过程，包括：信息处理装置将多个权重值输入预设卷积神经网络模型中，并利用预设卷积神经网络模型预测目标对象的处理数量；信息处理装置根据处理数量，确定类别标签。
需要说明的是，若目标对象可以为商品，目标对象的处理数量可以预测的商品在未来一段时间内的销量信息。
在本申请实施例中，预设卷积神经网络模型中预设有权重值与预设销量之间的对应关系，预设卷积神经网络模型根据预设有权重值与预设销量之间的对应关系和多个权重值，就可以预测到目标对象的处理数量。
在本申请实施例中，信息处理装置将多个权重值输入预设卷积神经网络模型，得到目标对象对应的类别标签之前，信息处理装置还会获取初始卷积神经网络模型的当前处理层的初始权重、当前处理层学习率、下一层学习率、当前处理层激活函数值和下一层激活函数值；信息处理装置利用当前处理层学习率、下一层学习率、当前处理层激活函数值和下一层激活函数值对初始权重进行更新，得到更新权重；信息处理装置根据更新后权重，得到预设卷积神经网络模型。
在本申请实施例中，预设卷积神经网络模型具体可以为多分类卷积神经网络(Multi-class Convolutional Neural Network，MCNN)。其中，MCNN中含有两个卷积层、两个下采样层(池化层)、两个全连接层。设I是输入层,其中输入矩阵为x,O1、O2代表网络中增加分类器、FC代表全连接层，FC、O1、O2的分类的输出函数分别是y、y1、y2，并且FC中包含分类器,C1、C2代表卷积层,P1、P2代码两个下采样层。
设有样本商品(xi,yi)共n个，网络共有L层，最后一层的输出f(xi)，期望的输出yi′，3个分类器的交叉熵形式的损失函数可根据公式(7)进行确定；
Figure BDA0002896637830000091
其中：E＝(E1，E2，EFC)T；i＝1，2，3。
现有技术中的卷积神经网络训练中的权重更新方式仅仅只考虑当前网络层分类器的输出，但与另外分类器输出结果没有关系，这样会导致一旦当前的分类器不能有效地得出分类结果时，其卷积计算结果不能很好地被更更深层次的网络进行重新训练，从而不能得到分类的最优解。
在本申请实施例中，是基于在原始的传播算法基础上进行改进，设卷积层的权重ω＝(ω1，ω2，ωFC)T，学习率α＝(α1，α1，α1)T，每个卷积层后都会有个激活函数，激活值作为卷积层的输入信号θ＝(θ1，θ2，θFC)T，得到一种新的权重更新方法，如公式(8)-(10)所示：
Figure BDA0002896637830000101
Figure BDA0002896637830000102
Figure BDA0002896637830000103
在本申请实施例中，中间结果
Figure BDA0002896637830000104
可以由链式求导法得出。比如第一个卷积层的权重更新
Figure BDA0002896637830000105
可根据第一、二个分类器和FC的输出值进行梯度下降算法运算得到。
可以理解的是，与一般的方向传播算法一样，初始卷积神经网络模型训练分为前向和反向传播两个过程，前向传播每个卷积层得到一个激活值，并且每个分类器计算用交叉熵计算误差，反向传播过程每层卷积层权重更新需要其他层分类器的误差信号。这样网络每层参数训练同时受到该层和其他分类器的输出的影响，使得每个卷积层权重更新不仅与该层的分类器输出有关，还与其它更深层次的网络分类器输出相关，从而可以学习到更深层次的特征，提升了利用预设卷积神经网络模型进行分类时的准确性。
在本申请实施例中，信息处理装置将多个权重值输入预设卷积神经网络模型，得到目标对象对应的类别标签之后，信息处理装置还会确定类别标签对应的目标参数信息；信息处理装置输出类别标签和目标参数信息。
需要说明的是，目标参数信息为多个参数信息中的一个参数信息。
在本申请实施例中，目标参数信息还包括该目标参数信息对应的权重值。
在本申请实施例中，信息处理装置输出类别标签和目标参数信息的方式，可以为信息处理装置显示该类别标签和目标参数信息；也可以为信息处理装置将该类别标签和目标参数信息传输至其他装置中，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
示例性的，如图2所示，信息处理装置将训练数据(目标对象的多个参数信息和目标对象的历史数量信息)输入线性回归模型(回归模型)，利用线性回归模型对训练数据进行线性回归处理，得到多个参数信息对应的多个初始权重值(初始化影响标签的重要因子权重)，利用层次分析模型(层次分析法)确定多个初始权重值对应的多个权重值(权重系数更新)；将多个权重值输入预设卷积神经网络模型(改进的卷积神经网络)，得到目标对象对应的类别标签(多分类标签)。
示例性的，如图3所示，信息处理装置先从数据源获取目标对象的多个参数信息和目标对象的初始历史数量信息，然后对初始历史数量信息进行去噪处理，得到历史数量信息，信息处理装置利用线性回归模型对多个参数信息和历史数量信息进行线性回归处理，得到多个参数信息对应的多个初始权重值，信息处理装置将多个初始权重值输入层析分析模型，得到多个权重值；信息处理装置将多个权重值输入预设卷积神经网络模型，得到类别标签信息和类别标签对应的目标参数信息。
本申请实施例为了验证本申请提出的分类方法实用性、可靠性和优越性，用测试数据应用在本方法中后，本实验验证主要从爆品相关指数的重要性程度和爆品分类预测的准确度上评估。通过业务和采销人员的经验，定义月销量占比在前5％的商品为爆品作为分类的标签。
在本申请实施例中，将销量分为四个类别即映射为4个分类标签，爆品还是取销量排名前5的商品，其次是热品、普通品、冷品，利用上面线性回归模型的初步筛选和改进层次分析法(Interval Analytic Hierarchy Process，IAHP)决策模型的精筛获得爆品指标，利用模型学习的因子权重放入深度学习模型可以提高影响多分类标签影响因子的可解释性，在数据集上进行了多种方法的模型训练，模型性能的对比结果如表2所示。
表2模型的性能对比
准确率 分类时间
LR+CNN 60.31％ 93.32秒
AHP+CNN 64.57％ 157.86秒
IAHP+CNN 74.18％ 203.86秒
HFIAC 83.57％ 197.26秒
经对比分析，通过AHP及IAHP进一步提取更精准的爆品因子的整体的分类准确率是显著提升的，其中本申请提出的分类方法(HFIAC)的分类速度虽然仅仅IAHP+CNN低0.014％,但分类准确率高达83.57％，明显高于其他没有考虑每个卷积层权重更新也同样与更深层次的网络分类器输出相关的分类器，从而进一步正面了证明本方法的有效性和可行性。
需要说明的是，卷积神经网络(Convolutional Neural Network，CNN)。
可以理解的是，用测试数据应用在本方法中后，可以通过预测的潜力爆品中获得影响爆品的重要因子的权重大小，按照品类的维度得到各指标的分位数，业务或采销人员对指标推荐数据很直观地分析，提升对爆品临界点认知，从而更好扶持业务打造爆款业务发展。
可以理解的是，信息处理装置在获取到目标对象的多个参数信息对应的多个初始权重值的情况下，信息处理装置就可以利用层次分析模型对多个初始权重值进行处理，得到多个权重值，利用预设卷积神经网络模型对多个权重值进行处理，从而得到目标对象的类别标签，提高信息处理装置对目标对象进行分类时的准确性。
实施例二
基于实施例一同一发明构思，本申请实施例提供了一种信息处理装置1，对应于一种信息处理方法；图4为本申请实施例提供的一种信息处理装置的组成结构示意图一，该信息处理装置1可以包括：
确定单元11，用于在获取到目标对象的多个参数信息和目标对象的历史数量信息的情况下，根据所述多个参数信息和所述历史数量信息，确定所述多个参数信息对应的多个初始权重值；
输入单元12，用于将所述多个初始权重值输入层次分析模型，得到多个权重值；将所述多个权重值输入预设卷积神经网络模型，得到所述目标对象对应的类别标签，并基于所述类别标签对应的处理方式处理所述目标对象，所述预设卷积神经网络模型中的每个处理层的权重值是基于当前处理层和下一层的参数得到的。
在本申请的一些实施例中，所述输入单元12，用于将所述多个权重值输入预设卷积神经网络模型中，并利用所述预设卷积神经网络模型预测所述目标对象的处理数量；
所述确定单元11，用于根据所述处理数量，确定所述类别标签。
在本申请的一些实施例中，所述装置还包括获取单元和更新单元；
所述获取单元，用于获取初始卷积神经网络模型的当前处理层的初始权重、当前处理层学习率、下一层学习率、当前处理层激活函数值和下一层激活函数值；
所述更新单元，用于利用所述当前处理层学习率、所述下一层学习率、所述当前处理层激活函数值和所述下一层激活函数值对所述初始权重进行更新，得到更新权重；根据所述更新后权重，得到所述预设卷积神经网络模型。
在本申请的一些实施例中，所述装置还包括对比单元；
所述确定单元11，用于根据所述多个初始权重值，确定初始矩阵；确定所述初始矩阵中每一个元素的对数，得到反对称矩阵；确定比较矩阵的最优传递矩阵，并根据所述最优传递矩阵，得到所述多个权重值；
所述对比单元，用于根据三标度规则对比所述反对称矩阵中任两个元素之间的重要性，得到所述比较矩阵。
在本申请的一些实施例中，所述装置还包括组合单元和处理单元；
所述组合单元，用于将所述多个参数信息中的每一个参数信息分别和所述历史数量信息进行组合，得到多组组合信息；
所述处理单元，用于对所述多组组合信息进行线性回归处理，得到所述多个初始权重值。
在本申请的一些实施例中，所述获取单元，用于获取所述目标对象的初始历史数量信息；
所述处理单元，用于对所述初始历史数量信息进行去噪处理，得到所述历史数量信息。
在本申请的一些实施例中，所述装置还包括输出单元；
所述确定单元11，用于确定所述类别标签对应的目标参数信息；所述目标参数信息为所述多个参数信息中的一个参数信息；
所述输出单元，用于输出所述类别标签和所述目标参数信息。
需要说明的是，在实际应用中，上述确定单元11和输入单元12可由信息处理装置1上的处理器13实现，具体为CPU(Central Processing Unit，中央处理器)、MPU(Microprocessor Unit，微处理器)、DSP(Digital Signal Processing，数字信号处理器)或现场可编程门阵列(FPGA，Field Programmable Gate Array)等实现；上述数据存储可由信息处理装置1上的存储器14实现。
本发明实施例还提供了一种信息处理装置1，如图5所示，所述信息处理装置1包括：处理器13、存储器14和通信总线15，所述存储器14通过所述通信总线15与所述处理器13进行通信，所述存储器14存储所述处理器13可执行的程序，当所述程序被执行时，通过所述处理器13执行如上述所述的信息处理方法。
在实际应用中，上述存储器14可以是易失性存储器(volatile memory)，例如随机存取存储器(Random-Access Memory，RAM)；或者非易失性存储器(non-volatile memory)，例如只读存储器(Read-Only Memory，ROM)，快闪存储器(flash memory)，硬盘(Hard DiskDrive，HDD)或固态硬盘(Solid-State Drive，SSD)；或者上述种类的存储器的组合，并向处理器13提供指令和数据。
本发明实施例提供了一种计算机可读存储介质，其上有计算机程序，所述程序被处理器13执行时实现如上述所述的信息处理方法。
可以理解的是，信息处理装置在获取到目标对象的多个参数信息对应的多个初始权重值的情况下，信息处理装置就可以利用层次分析模型对多个初始权重值进行处理，得到多个权重值，利用预设卷积神经网络模型对多个权重值进行处理，从而得到目标对象的类别标签，提高信息处理装置对目标对象进行分类时的准确性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (10)

1.一种信息处理方法，其特征在于，所述方法包括：
在获取到目标对象的多个参数信息和目标对象的历史数量信息的情况下，根据所述多个参数信息和所述历史数量信息，确定所述多个参数信息对应的多个初始权重值；
将所述多个初始权重值输入层次分析模型，得到多个权重值；
将所述多个权重值输入预设卷积神经网络模型，得到所述目标对象对应的类别标签，并基于所述类别标签对应的处理方式处理所述目标对象，所述预设卷积神经网络模型中的每个处理层的权重值是基于当前处理层和下一层的参数得到的。
2.根据权利要求1所述的方法，其特征在于，所述将所述多个权重值输入预设卷积神经网络模型，得到所述目标对象对应的类别标签，包括：
将所述多个权重值输入预设卷积神经网络模型中，并利用所述预设卷积神经网络模型预测所述目标对象的处理数量；
根据所述处理数量，确定所述类别标签。
3.根据权利要求1所述的方法，其特征在于，所述将所述多个权重值输入预设卷积神经网络模型，得到所述目标对象对应的类别标签之前，所述方法还包括：
获取初始卷积神经网络模型的当前处理层的初始权重、当前处理层学习率、下一层学习率、当前处理层激活函数值和下一层激活函数值；
利用所述当前处理层学习率、所述下一层学习率、所述当前处理层激活函数值和所述下一层激活函数值对所述初始权重进行更新，得到更新权重；
根据所述更新后权重，得到所述预设卷积神经网络模型。
4.根据权利要求1所述的方法，其特征在于，所述将所述多个初始权重值输入层次分析模型，得到多个权重值，包括：
根据所述多个初始权重值，确定初始矩阵；
确定所述初始矩阵中每一个元素的对数，得到反对称矩阵；
根据三标度规则对比所述反对称矩阵中任两个元素之间的重要性，得到比较矩阵；
确定所述比较矩阵的最优传递矩阵，并根据所述最优传递矩阵，得到所述多个权重值。
5.根据权利要求1所述的方法，其特征在于，所述根据所述多个参数信息和所述历史数量信息，确定所述多个参数信息对应的多个初始权重值，包括：
将所述多个参数信息中的每一个参数信息分别和所述历史数量信息进行组合，得到多组组合信息；
对所述多组组合信息进行线性回归处理，得到所述多个初始权重值。
6.根据权利要求1所述的方法，其特征在于，所述根据所述多个参数信息和所述历史数量信息，确定所述多个参数信息对应的多个初始权重值之前，所述方法还包括：
获取所述目标对象的初始历史数量信息；
对所述初始历史数量信息进行去噪处理，得到所述历史数量信息。
7.根据权利要求1所述的方法，其特征在于，所述将所述多个权重值输入预设卷积神经网络模型，得到所述目标对象对应的类别标签之后，所述方法还包括：
确定所述类别标签对应的目标参数信息；所述目标参数信息为所述多个参数信息中的一个参数信息；
输出所述类别标签和所述目标参数信息。
8.一种信息处理装置，其特征在于，所述装置包括：
确定单元，用于在获取到目标对象的多个参数信息和目标对象的历史数量信息的情况下，根据所述多个参数信息和所述历史数量信息，确定所述多个参数信息对应的多个初始权重值；
输入单元，用于将所述多个初始权重值输入层次分析模型，得到多个权重值；将所述多个权重值输入预设卷积神经网络模型，得到所述目标对象对应的类别标签，并基于所述类别标签对应的处理方式处理所述目标对象，所述卷积神经网络模型中的每个处理层的权重值是基于当前处理层和下一层的参数得到的。
9.一种信息处理装置，其特征在于，所述装置包括：
存储器、处理器和通信总线，所述存储器通过所述通信总线与所述处理器进行通信，所述存储器存储所述处理器可执行的信息处理的程序，当所述信息处理的程序被执行时，通过所述处理器执行如权利要求1至7任一项所述的方法。
10.一种存储介质，其上存储有计算机程序，应用于信息处理装置，其特征在于，该计算机程序被处理器执行时实现权利要求1至7任一项所述的方法。
CN202110043070.5A 2021-01-13 2021-01-13 一种信息处理方法及装置、存储介质 Pending CN113743440A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110043070.5A CN113743440A (zh) 2021-01-13 2021-01-13 一种信息处理方法及装置、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110043070.5A CN113743440A (zh) 2021-01-13 2021-01-13 一种信息处理方法及装置、存储介质

Publications (1)

Publication Number Publication Date
CN113743440A true CN113743440A (zh) 2021-12-03

Family

ID=78728234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110043070.5A Pending CN113743440A (zh) 2021-01-13 2021-01-13 一种信息处理方法及装置、存储介质

Country Status (1)

Country Link
CN (1) CN113743440A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117171778A (zh) * 2023-11-01 2023-12-05 北京敏行通达信息技术有限公司 一种数据库的访问流量控制方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978612A (zh) * 2015-01-27 2015-10-14 厦门大学 基于ahp-rbf的分布式大数据系统风险预测方法
CN107506941A (zh) * 2017-09-09 2017-12-22 杭州数立方征信有限公司 一种基于大数据技术的建筑施工企业信用评价方法和系统
CN109242201A (zh) * 2018-09-29 2019-01-18 上海中信信息发展股份有限公司 一种预测农作物产量的方法、装置及计算机可读存储介质
US20190026752A1 (en) * 2017-07-20 2019-01-24 Dong Min Kim System for providing real property information online and system for providing safe transaction service using bigdata-based grade classification and market value prediction
CN109508461A (zh) * 2018-12-29 2019-03-22 重庆猪八戒网络有限公司 基于中文自然语言处理的订单价格预测方法、终端及介质
JP2019053541A (ja) * 2017-09-15 2019-04-04 Kddi株式会社 情報処理装置、情報処理方法、及びプログラム
CN110442979A (zh) * 2019-08-08 2019-11-12 山东大学 基于bp神经网络的盾构施工隧道的全变形预测方法及系统
US20200201282A1 (en) * 2017-06-26 2020-06-25 Jiangnan University Energy consumption prediction system and method based on the decision tree for CNC lathe turning
CN111652654A (zh) * 2020-06-10 2020-09-11 创新奇智(南京)科技有限公司 销量预测及神经网络构建的方法、装置、设备、存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978612A (zh) * 2015-01-27 2015-10-14 厦门大学 基于ahp-rbf的分布式大数据系统风险预测方法
US20200201282A1 (en) * 2017-06-26 2020-06-25 Jiangnan University Energy consumption prediction system and method based on the decision tree for CNC lathe turning
US20190026752A1 (en) * 2017-07-20 2019-01-24 Dong Min Kim System for providing real property information online and system for providing safe transaction service using bigdata-based grade classification and market value prediction
CN107506941A (zh) * 2017-09-09 2017-12-22 杭州数立方征信有限公司 一种基于大数据技术的建筑施工企业信用评价方法和系统
JP2019053541A (ja) * 2017-09-15 2019-04-04 Kddi株式会社 情報処理装置、情報処理方法、及びプログラム
CN109242201A (zh) * 2018-09-29 2019-01-18 上海中信信息发展股份有限公司 一种预测农作物产量的方法、装置及计算机可读存储介质
CN109508461A (zh) * 2018-12-29 2019-03-22 重庆猪八戒网络有限公司 基于中文自然语言处理的订单价格预测方法、终端及介质
CN110442979A (zh) * 2019-08-08 2019-11-12 山东大学 基于bp神经网络的盾构施工隧道的全变形预测方法及系统
CN111652654A (zh) * 2020-06-10 2020-09-11 创新奇智(南京)科技有限公司 销量预测及神经网络构建的方法、装置、设备、存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
何儒汉;万方名;向俐双;苏裕益;: "基于群组决策和层次分析法的卷烟零售户诚信指标体系构建", 计算机应用与软件, no. 12, 12 December 2019 (2019-12-12), pages 87 - 92 *
刘晶;和述群;朱清香;安雅程;许楠;刘凯;: "基于深度学习的线上农产品销量预测模型研究", 计算机应用研究, no. 08, 31 December 2017 (2017-12-31), pages 57 - 59 *
姚敏;王东;: "基于层次分析法的散射通信系统效能评估模型", 无线电通信技术, no. 03, 31 December 2016 (2016-12-31), pages 30 - 32 *
李祚敏;秦江涛;: "基于WOA-GRU的销售预测研究", 软件导刊, no. 09, 15 September 2020 (2020-09-15), pages 23 - 26 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117171778A (zh) * 2023-11-01 2023-12-05 北京敏行通达信息技术有限公司 一种数据库的访问流量控制方法及系统
CN117171778B (zh) * 2023-11-01 2024-01-23 北京敏行通达信息技术有限公司 一种数据库的访问流量控制方法及系统

Similar Documents

Publication Publication Date Title
US20210248651A1 (en) Recommendation model training method, recommendation method, apparatus, and computer-readable medium
CN111008858B (zh) 一种商品销量预测方法及系统
US10592777B2 (en) Systems and methods for slate optimization with recurrent neural networks
CN111553759A (zh) 一种产品信息推送方法、装置、设备及存储介质
CN113256367B (zh) 用户行为历史数据的商品推荐方法、系统、设备及介质
WO2015187372A1 (en) Digital event profile filters
CN111539444B (zh) 一种修正式模式识别及统计建模的高斯混合模型方法
US20220172258A1 (en) Artificial intelligence-based product design
WO2002003256A1 (en) Method and system for the dynamic analysis of data
Maldonado et al. Advanced conjoint analysis using feature selection via support vector machines
US20150356658A1 (en) Systems And Methods For Serving Product Recommendations
CN110717103B (zh) 基于堆栈降噪编码器改进的协同过滤方法
CN113268656A (zh) 一种用户推荐方法、装置、电子设备及计算机存储介质
US11620683B2 (en) Utilizing machine-learning models to create target audiences with customized auto-tunable reach and accuracy
CN111667307B (zh) 一种理财产品销量的预测方法及装置
CN106157156A (zh) 一种基于用户社区的协作推荐系统
US20200098031A1 (en) Product recommending apparatus and non-transitory computer readable medium
CN111966886A (zh) 对象推荐方法、对象推荐装置、电子设备及存储介质
AU2020260401A1 (en) Prospect recommendation
CN110019563B (zh) 一种基于多维数据的肖像建模方法和装置
CN113240490A (zh) 一种基于图神经网络的智能服务交易推荐方法及系统
TW202309810A (zh) 針對基於機器學習之建議系統減少取樣選擇偏差
CN113743440A (zh) 一种信息处理方法及装置、存储介质
CN111967973B (zh) 银行客户数据处理方法及装置
US11334935B2 (en) Method, system, and manufacture for light hypergraph based recommendation

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