CN115146725B - 对象分类模式的确定方法、对象分类方法、装置和设备 - Google Patents
对象分类模式的确定方法、对象分类方法、装置和设备 Download PDFInfo
- Publication number
- CN115146725B CN115146725B CN202210776197.2A CN202210776197A CN115146725B CN 115146725 B CN115146725 B CN 115146725B CN 202210776197 A CN202210776197 A CN 202210776197A CN 115146725 B CN115146725 B CN 115146725B
- Authority
- CN
- China
- Prior art keywords
- target
- condition information
- determining
- objects
- target condition
- 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.)
- Active
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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Abstract
本公开提供了一种对象分类模式的确定方法、对象分类方法、装置、设备、介质和产品,涉及人工智能领域,具体为机器学习、大数据、金融等技术领域。对象分类模式的确定方法包括:基于初始条件信息和多个对象的历史特征数据,将多个对象进行分类,得到多个候选类别;基于多个候选类别的对象风险概率,从多个候选类别中确定目标类别;从初始条件信息中,确定与目标类别相关联的目标条件信息;基于目标条件信息,确定对象分类模式。
Description
技术领域
本公开涉及人工智能领域,具体为机器学习、大数据、金融等技术领域,更具体地,涉及一种对象分类模式的确定方法、对象分类方法、装置、电子设备、介质和程序产品。
背景技术
在一些场景下,需要从多个对象中确定出符合一定条件的对象。例如,针对多个可能存在风险的对象,需要对多个可能存在风险的对象进行分类,将其分为低风险对象和高风险对象,以便从可能存在风险的对象中确定低风险对象。但是,相关技术对对象的分类准确性较低、分类效率较低。
发明内容
本公开提供了一种对象分类模式的确定方法、对象分类方法、装置、电子设备、存储介质以及程序产品。
根据本公开的一方面,提供了一种对象分类模式的确定方法,包括:基于初始条件信息和多个对象的历史特征数据,将所述多个对象进行分类,得到多个候选类别;基于所述多个候选类别的对象风险概率,从所述多个候选类别中确定目标类别;从所述初始条件信息中,确定与所述目标类别相关联的目标条件信息;基于所述目标条件信息,确定对象分类模式。
根据本公开的另一方面,提供了一种对象分类方法,包括:获取目标对象的特征数据;根据对象分类模式和所述特征数据,对所述目标对象进行分类;其中,所述对象分类模式是利用上述的对象分类模式的确定方法确定的。
根据本公开的另一方面,提供了一种对象分类模式的确定装置,包括:分类模块、第一确定模块、第二确定模块以及第三确定模块。分类模块,用于基于初始条件信息和多个对象的历史特征数据,将所述多个对象进行分类,得到多个候选类别;第一确定模块,用于基于所述多个候选类别的对象风险概率,从所述多个候选类别中确定目标类别;第二确定模块,用于从所述初始条件信息中,确定与所述目标类别相关联的目标条件信息;第三确定模块,用于基于所述目标条件信息,确定对象分类模式。
根据本公开的另一方面,提供了一种对象分类装置,包括:获取模块和分类模块。获取模块,用于获取目标对象的特征数据;分类模块,用于根据对象分类模式和所述特征数据,对所述目标对象进行分类;其中,所述对象分类模式是利用上述的对象分类模式的确定装置确定的。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器和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指令,所述指令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上述的对象分类模式的确定方法和/或对象分类方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述的对象分类模式的确定方法和/或对象分类方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现上述对象分类模式的确定方法的步骤和/或对象分类方法的步骤。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1示意性示出了根据本公开一实施例的对象分类模式的确定方法的流程图;
图2示意性示出了根据本公开一实施例的对象分类模式的确定方法的示意图;
图3示意性示出了根据本公开一实施例的对象分类模式的确定方法的原理图;
图4示意性示出了根据本公开一实施例的对象分类方法的流程图;
图5示意性示出了根据本公开一实施例的对象分类模式的确定装置的框图;
图6示意性示出了根据本公开一实施例的对象分类装置的框图;以及
图7是用来实现本公开实施例的用于执行对象分类模式的确定和/或对象分类方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在一些情况下,需要从多个对象中确定出符合一定条件的对象。例如,针对多个可能存在风险的对象,需要对多个可能存在风险的对象进行分类,将其分为低风险对象和高风险对象,以便从可能存在风险的对象中确定低风险对象。
例如,在金融领域,通常需要识别风险对象,风险对象例如包括存在信贷问题的对象。例如,通过风控模块识别可能存在风险的对象,将可能存在风险的对象输入回捞模块,通过回捞模块从可能存在风险的对象中确定低风险对象,以便回捞低风险对象。
示例性地,回捞模块用于对可能存在风险的对象进行分类,例如将对象分为低风险对象和高风险对象。因此,回捞模块需要部署对象分类模式,以便通过对象分类模式对可能存在风险的对象进行分类。
有鉴于此,本公开的实施例提出了一种对象分类模式的确定方法和对象分类方法。
图1示意性示出了根据本公开一实施例的对象分类模式的确定方法的流程图。
如图1所示,本公开实施例的对象分类模式的确定方法100例如可以包括操作S110~操作S140。
在操作S110,基于初始条件信息和多个对象的历史特征数据,将多个对象进行分类,得到多个候选类别。
在操作S120,基于多个候选类别的对象风险概率,从多个候选类别中确定目标类别。
在操作S130,从初始条件信息中,确定与目标类别相关联的目标条件信息。
在操作S140,基于目标条件信息,确定对象分类模式。
示例性地,多个对象的历史特征数据例如包括对象的性别、年龄、对象购买金融产品的特征等等。初始条件信息例如与历史特征数据相关联,例如初始条件信息包括“对象的性别为男性或女性”、“对象的年龄是否大于预设阈值”、“对象是否购买某类金融产品”等等。
基于多个对象的历史特征数据,按照初始条件信息,对多个对象进行分类。例如,将满足初始条件信息的对象划分为一类,不满足初始条件信息的对象划分为另一类。对多个对象进行分类后,得到多个候选类别。
多个对象中每个对象例如均具有对象风险概率,对象风险概率例如表征了对应对象的风险程度。例如,对象风险概率越低,对象的风险程度越小。
以金融领域的对象为例,对象风险概率例如包括坏样本率(bad rate),用于表征对象是否存在贷款后逾期还款等风险。
多个候选类别中的每个候选类别例如均包括至少一个对象。针对多个候选类别中部分或全部候选类别,基于该部分或全部候选类别中每个候选类别中所有对象的对象风险概率,从多个候选类别中确定目标类别,目标类别中的对象的对象风险概率例如比较小,表征属于目标类别的对象的风险程度较低。
在确定目标类别之后,可以从初始条件信息中确定目标条件信息,目标条件信息例如与目标类别相关联,表征了目标类别中的对象的历史特征数据满足目标条件信息。换言之,基于目标条件信息可以得到较低风险的对象。
接下来,基于目标条件信息确定对象分类模式,对象分类模式例如包括分类条件或分类规则,可以用于将对象划分为低风险对象或高风险对象。
根据本公开的实施例,基于初始条件信息和多个对象的历史特征数据,对多个对象进行分类,基于候选类别中对象的对象风险概率,从候选类别中确定目标类别。然后,基于与目标类别相关联的目标条件信息得到分类精度较高、分类效率较高的对象分类模式,以便利用对象分类模式确定对象的风险程度,提高了对象的分类准确性和效率。
在一示例中,针对多个候选类别中的部分或全部候选类别,可以基于部分或全部候选类别中各自包含的对象的对象风险概率,确定每个候选类别的类别风险概率,类别风险概率例如表征了属于该候选类别的对象的风险程度。例如,每个候选类别的类别风险概率可以是该候选类别中至少一个对象的对象风险概率的均值。候选类别的类别风险概率越低,属于该候选类别的对象的风险程度越低。
然后,基于每个候选类别的类别风险概率,从多个候选类别中确定目标类别。例如,从多个候选类别中确定类别风险概率较低的候选类别作为目标类别,属于目标类别的对象的风险程度较低。
在另一示例中,可以基于多个对象各自的对象风险概率,确定总体风险概率。例如,可以计算多个对象的对象风险概率的均值,将均值作为总体风险概率。然后,基于每个候选类别的类别风险概率与总体风险概率之间的目标比值,从多个候选类别中确定目标类别。由此,每个候选类别对应一个目标比值,将目标比值低的候选类别确定为目标类别。
根据本公开的实施例,基于每个候选类别的类别风险概率与总体风险概率之间的目标比值来确定目标类别,目标比值为归一化后的数值,不受对象数量的影响,提高了准确性和通用性。
图2示意性示出了根据本公开一实施例的对象分类模式的确定方法的示意图。
如图2所示,利用树模型对多个对象进行分类。树模型例如包括回归树模型、决策树模型等分类模型。树模型可以利用初始条件信息对多个对象进行分类,得到多个结点201~211。多个候选类别与树模型中的多个结点201~211中的至少一个相关联,多个结点201~211例如包括叶子结点。例如,多个候选类别与叶子结点相关联。例如,叶子结点208对应一个候选类别,叶子结点209对应一个候选类别,叶子结点210对应一个候选类别,叶子结点211对应一个候选类别。
初始条件信息例如包括条件a~条件j,历史特征数据满足对应条件的对象被分类至对应的叶子结点。
以n个对象为例,n为大于1的整数,基于与n个对象对应的n个对象风险概率,计算n个对象风险概率的均值,得到总体风险概率Q。
每个叶子结点(候选类别)对应一个类别风险概率。例如,以叶子结点210(候选类别)为例,该叶子结点210(候选类别)包括对象n1~n2,n2大于等于n1,n2小于等于n,基于与对象n1~n2一一对应的多个对象风险概率,计算多个对象风险概率的均值,得到针对叶子结点210(候选类别)的类别风险概率Q9。
然后,从树模型的多个叶子结点中,确定与目标类别对应的目标叶子结点。例如,基于每个候选类别对应的类别风险概率和总体风险概率Q之间的目标比值,确定目标比值最小的候选类别作为目标类别。例如,如果目标比值Q9/Q最小,可以将叶子结点210作为目标叶子结点,该目标叶子结点对应的候选类别为目标类别。
接下来,基于目标叶子结点,从树模型中确定目标分支,目标分支例如包括目标叶子结点。例如,目标分支包括叶子结点203、叶子结点206、叶子结点210。
接下来,从初始条件信息(条件a~条件j)中,确定与目标分支相关联的目标条件信息。例如,目标条件信息包括条件b、条件e、条件i。
根据本公开的实施例,基于树模型处理多个对象的历史特征数据,得到目标条件信息,目标条件信息能够用于获取风险程度较低的对象,实现了利用目标条件信息识别低风险对象的效果。
在本公开的另一示例中,可以更新目标条件信息,得到经更新目标条件信息。例如,目标条件信息包括条件b、条件e、条件i,可以更新条件b、条件e、条件i中的任意一个或多个。例如,将条件b更新为条件b’,将条件e更新为条件e’,将条件i更新为条件i’,经更新目标条件信息包括条件b’、条件e’、条件i’。
更新目标条件信息之后,可以基于包含经更新目标条件信息的树模型对多个对象重新分类,确定与经更新目标条件信息对应的经更新目标比值。例如,针对叶子结点210(候选类别),经更新类别风险概率为Q9’,经更新目标比值为Q9’/Q。
如果确定经更新目标比值满足第一阈值条件,将经更新目标条件信息替换目标条件信息。例如,满足第一阈值条件表征经更新目标比值Q9’/Q小于目标比值Q9/Q。如果经更新目标比值Q9’/Q小于目标比值Q9/Q,表征基于经更新目标条件信息能够得到风险程度更低的目标类别。或者,满足第一阈值条件也可以表征经更新目标比值Q9’/Q小于预设阈值。
根据本公开的实施例,在基于树模型得到目标条件信息之后,可以更新目标条件信息,降低目标类别的类别风险概率,提高了经更新目标条件信息对低风险对象的分类准确性。
图3示意性示出了根据本公开一实施例的对象分类模式的确定方法的原理图。
如图3所示,针对对象集合301和初始条件信息集合302,可以利用多个树模型303~306处理对象集合301和初始条件信息集合302,得到目标条件信息。
例如,针对树模型303,从对象集合301中获取多个对象,从初始条件信息集合302中获取初始条件信息。利用多个对象对应的历史特征数据和初始条件信息,构建得到树模型303,从而得到与树模型303对应的目标条件信息A。
目标条件信息A例如包括多个条件,多个条件中的每个条件例如与一个历史特征数据相关联,例如一个条件可以用于筛选具有相应历史特征数据的对象。由此,与目标条件信息A相关联的特征数量例如为多个条件的数量。
例如,目标条件信息A包括的多个条件为“对象的性别为女性”、“对象的年龄大于30岁”。如果移动休息的历史特征数据包括女性、35岁,则条件“对象的性别为女性”与历史特征数据“女性”相关联,条件“对象的年龄大于30岁”与历史特征数据“35岁”相关联。此时特征数量例如为2。
利用目标条件信息A对多个对象进行分类,得到低风险对象,历史特征数据与目标条件信息A相关联的第一对象的数量例如为低风险对象的数量,该数量表征了目标条件信息A的命中数量,低风险对象的数量和多个对象之间的比值为第一比值。
接下来,确定目标条件信息A是否满足单规则条件,如果确定与目标条件信息相关联的特征数量小于等于第一预设数量并且第一对象的数量大于等于第二预设数量,表示目标条件信息A满足单规则条件,则将目标条件信息A添加至候选条件集合307。第一对象的历史特征数据与目标条件信息A相关联。
然后,确定候选条件集合307是否满足终止条件。例如,当确定候选条件集合307中目标条件信息的信息量大于等于第一预设信息量,并且第二对象的数量与总对象的数量之间的比值大于等于第一比值,停止向候选条件集合307中添加目标条件信息。第二对象的历史特征数据与候选条件集合307中的目标条件信息相关联。例如,当候选条件集合307中包括目标条件信息A时,信息量为1;当候选条件集合307中包括目标条件信息A、目标条件信息C时,信息量为2。第一预设信息量例如为3。第一对象例如为总对象中的至少部分,第二对象例如为总对象中的至少部分。总对象例如为从对象集合301中获取的多个对象,或者总对象也可以是对象集合301中的全部或部分对象。
例如,当候选条件集合307中包括大于等于第一预设信息量的目标条件信息时,确定候选条件集合307中所有目标条件信息对对象集合301中所有对象集合的回捞率,回捞率表示利用候选条件集合307中的目标条件信息识别得到的低风险对象的数量与对象集合301中所有对象的数量之间的比值。当比值大于第一比值时,表示回捞率较高,此时表示候选条件集合307满足终止条件,此时停止向候选条件集合307中添加目标条件信息。
与树模型304对应的目标条件信息B、与树模型305对应的目标条件信息C、与树模型306对应的目标条件信息D的获取方式与目标条件信息A的获取方式类似,在此不再赘述。
示例性地,在从对象集合301中选择多个对象和从初始条件信息集合302中选择初始条件信息构建树模型303之后,可以将使用过的多个对象从对象集合301中删除,将使用过的初始条件信息从初始条件信息集合302中删除,避免基于相同数据构建树模型导致树模型雷同,以此提高树模型的多样性,进而提高目标条件信息的多样性。
例如,将目标条件信息A、目标条件信息C、目标条件信息D添加至候选条件集合307中。每个目标条件信息是由一个树模型得到的。通过多个树模型得到候选条件集合307,提高了候选条件集合的准确性。
接下来,基于候选条件集合307确定对象分类模式310。例如,基于候选条件集合307,得到目标条件集合309。将目标条件集合309,确定为对象分类模式310。
例如,候选条件集合307包括N个目标条件信息,N为大于1的整数。本公开的实施例以N=3为例。
基于N个目标条件信息各自对应的目标比值,对N个目标条件信息进行排序,得到排序后的N个目标条件信息308。例如,目标比值越低,表示目标条件信息识别低风险对象的准确性越高,因此目标比值越低的目标条件信息的排序越靠前。排序后的N个目标条件信息308例如依次为目标条件信息C、目标条件信息D、目标条件信息A。
然后,依次对排序后的N个目标条件信息308进行保留判断,将需要保留的目标条件信息添加至目标条件集合309中。
例如,从排序后的N个目标条件信息中确定当前目标条件信息。例如第一次可以确定目标条件信息C作为当前目标条件信息。第二次可以确定目标条件信息D作为当前目标条件信息。第三次可以确定目标条件信息A作为当前目标条件信息。
如果确定与当前目标条件信息相关联的特征数量小于等于第三预设数量,并且第三对象的数量大于等于第四预设数量,将当前目标条件信息添加至目标条件集合309中,第三对象的历史特征数据与当前目标条件信息相关联。该过程与上文中将目标条件信息添加至候选条件集合307的过程类似,第三预设数量可以与上文的第一预设数量不同,第四预设数量可以与上文的第二预设数量不同。
如果确定目标条件集合中保留的目标条件信息的信息量大于等于第二预设信息量,并且第四对象的数量与总对象的数量之间的比值大于等于第二比值,则停止向目标条件集合309中添加当前目标条件信息,第四对象的历史特征数据与目标条件集合相关联。该过程与上文中停止向候选条件集合307添加目标条件信息的过程类似,第二预设信息量可以与上文的第一预设信息量不同,第二比值可以与上文的第一比值不同。
根据本公开的实施例,通过对候选条件集合进行进一步处理得到目标条件集合,使得得到的目标条件集合对低风险对象的分类准确性更高。
在一示例中,在得到目标条件集合309之后,可以将目标条件集合309作为对象分类模式310。
或者,可以对目标条件集合309进行评价,得到对象分类模式310。例如,针对目标条件集合309中的每个目标条件信息,可以基于每个目标条件信息对应的回捞率(第二比值)和目标比值来评价每个目标条件信息对低风险对象的分类效果,将分类效果较好的一个或多个目标条件信息作为对象分类模式310。
可以理解,可以对目标条件集合进行评估,得到分类效果较好的对象分类模式,提高对象分类模式的准确性。
在本公开另一示例中,针对多个对象中每个对象的对象风险概率,可以基于以下方式预测每个对象的对象风险概率。
例如,多个对象包括被拒绝用户,该被拒绝用户不具有表征其风险程度的标签。本公开的实施例可以利用具有标签的对象样本来训练得到预测模型,具有标签的对象样本例如为通过样本,标签表征了其风险程度。例如,标签包括1和0,1例如表示对象样本为坏用户,0表示对象样本为好用户,坏用户例如表示用户贷后逾期还款,好用户例如表示用户贷后按时还款。
利用具有标签的对象样本训练预测模型,得到经训练的预测模型。预测模型例如包括信贷风控模型、评分卡模型、深度学习模型、分类模型等等。
得到经训练的预测模型之后,可以利用验证集(包括具有标签的对象样本)对经训练的预测模型进行验证。利用通过验证的预测模型预测多个对象(不具有标签)的对象风险概率。
例如,预测模型的输入数据是对象的历史特征数据,输出数据是对象的分数。分数包括多个分数区间,每个分数区间对应一个对象风险概率,对象风险概率也称坏样本率(bad rate)。根据针对每个对象输出的分数落入的分数区间,确定对象的对象风险概率。
根据本公开的实施例,通过模型预测对象的对象风险概率,提高了对象风险概率(标签)的准确性,降低了标签的标注成本,提高了标签的标注效率。
图4示意性示出了根据本公开一实施例的对象分类方法的流程图。
如图4所示,本公开实施例的对象分类方法400例如可以包括操作S410~操作S420。
在操作S410,获取目标对象的特征数据。
在操作S420,根据对象分类模式和特征数据,对目标对象进行分类。
根据本公开的实施例,可以通过上文提及的方法获得对象分类模式,并利用对象分类模式对目标对象进行分类。
例如,对象分类模式中包括多个目标条件信息,可以利用多个目标条件信息中的一个或多个对目标对象进行分类。例如,每个目标条件信息包括多个与特征数据相关联的条件,确定目标对象的特征数据是否满足条件,从而实现对目标对象的分类。例如,将特征数据满足条件的目标对象分类为低风险类别,将特征数据不满足条件的目标对象分类为高风险类别。
根据本公开的实施例,基于利用对象分类模式确定对象的风险程度,提高了风险对象的分类准确性和效率,实现了从多个目标对象中回捞低风险的目标对象,便于为低风险的目标对象提供针对性的金融服务,以挽回低风险的目标对象。
图5示意性示出了根据本公开一实施例的对象分类模式的确定装置的框图。
如图5所示,本公开实施例的对象分类模式的确定装置500例如包括分类模块510、第一确定模块520、第二确定模块530和第三确定模块540。
分类模块510可以用于基于初始条件信息和多个对象的历史特征数据,将多个对象进行分类,得到多个候选类别。根据本公开实施例,分类模块510例如可以执行上文参考图1描述的操作S110,在此不再赘述。
第一确定模块520可以用于基于多个候选类别的对象风险概率,从多个候选类别中确定目标类别。根据本公开实施例,第一确定模块520例如可以执行上文参考图1描述的操作S120,在此不再赘述。
第二确定模块530可以用于从初始条件信息中,确定与目标类别相关联的目标条件信息。根据本公开实施例,第二确定模块530例如可以执行上文参考图1描述的操作S130,在此不再赘述。
第三确定模块540可以用于基于目标条件信息,确定对象分类模式。根据本公开实施例,第三确定模块540例如可以执行上文参考图1描述的操作S140,在此不再赘述。
根据本公开的实施例,第一确定模块520包括:第一确定子模块和第二确定子模块。第一确定子模块,用于基于多个候选类别的对象风险概率,确定候选类别的类别风险概率;第二确定子模块,用于基于候选类别的类别风险概率,从多个候选类别中确定目标类别。
根据本公开的实施例,装置500还可以包括:第四确定模块,用于基于多个对象的对象风险概率,确定总体风险概率。
根据本公开的实施例,第二确定子模块还用于:基于候选类别的类别风险概率与总体风险概率之间的目标比值,从多个候选类别中确定目标类别。
根据本公开的实施例,装置500还可以包括:更新模块、第五确定模块和替换模块。更新模块,用于更新目标条件信息,得到经更新目标条件信息;第五确定模块,用于确定与经更新目标条件信息对应的经更新目标比值;替换模块,用于响应于确定经更新目标比值满足第一阈值条件,将将更新目标条件信息替换目标条件信息。
根据本公开的实施例,第三确定模块540包括:添加子模块、停止子模块和第三确定子模块。添加子模块,用于响应于确定与目标条件信息相关联的特征数量小于等于第一预设数量,并且第一对象的数量大于等于第二预设数量,将目标条件信息添加至候选条件集合,其中,第一对象的历史特征数据与目标条件信息相关联;停止子模块,用于响应于确定候选条件集合中目标条件信息的信息量大于等于第一预设信息量,并且第二对象的数量与总对象的数量之间的比值大于等于第一比值,停止向候选条件集合中添加目标条件信息,其中,第二对象的历史特征数据与候选条件集合相关联;第三确定子模块,用于基于候选条件集合,确定对象分类模式。
根据本公开的实施例,候选条件集合包括N个目标条件信息,N为大于1的整数;第三确定子模块包括:排序单元、添加单元和确定单元。排序单元,用于基于N个目标条件信息对应的目标比值,对N个目标条件信息进行排序,得到排序后的N个目标条件信息;添加单元,用于对排序后的N个目标条件信息进行保留判断,将需要保留的目标条件信息添加至目标条件集合;确定单元,用于将目标条件集合,确定为对象分类模式。
根据本公开的实施例,添加单元包括:确定子单元、添加子单元和停止子单元。确定子单元,用于从排序后的N个目标条件信息中确定当前目标条件信息;添加子单元,用于响应于确定与当前目标条件信息相关联的特征数量小于等于第三预设数量,并且第三对象的数量大于等于第四预设数量,将当前目标条件信息添加至目标条件集合中,其中,第三对象的历史特征数据与当前目标条件信息相关联;停止子单元,用于响应于确定目标条件集合中保留的目标条件信息的信息量大于等于第二预设信息量,并且第四对象的数量与总对象的数量之间的比值大于等于第二比值,停止向目标条件集合中添加当前目标条件信息,其中,第四对象的历史特征数据与目标条件集合相关联。
根据本公开的实施例,多个候选类别与树模型中的多个叶子结点相关联;第二确定模块530包括:第四确定子模块、第五确定子模块和第六确定子模块。第四确定子模块,用于从树模型的多个叶子结点中,确定与目标类别对应的目标叶子结点;第五确定子模块,用于基于目标叶子结点,从树模型中确定目标分支,其中,目标分支包括目标叶子结点;第六确定子模块,用于从初始条件信息中,确定与目标分支相关联的目标条件信息。
图6示意性示出了根据本公开一实施例的对象分类装置的框图。
如图6所示,本公开实施例的对象分类装置600例如包括获取模块610以及分类模块620。
获取模块610可以用于获取目标对象的特征数据。根据本公开实施例,获取模块610例如可以执行上文参考图4描述的操作S410,在此不再赘述。
分类模块620可以用于根据对象分类模式和特征数据,对目标对象进行分类。根据本公开实施例,分类模块620例如可以执行上文参考图4描述的操作S420,在此不再赘述。
在本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在本公开的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开实施例,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行上文所描述的对象分类模式的确定方法。
根据本公开实施例,提供了一种计算机程序产品,包括计算机程序/指令,计算机程序/指令被处理器执行时实现上文所描述的对象分类模式的确定方法。
图7是用来实现本公开实施例的用于执行对象分类模式的确定和/或对象分类方法的电子设备的框图。
图7示出了可以用来实施本公开实施例的示例电子设备700的示意性框图。电子设备700旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如对象分类模式的确定方法和/或对象分类方法。例如,在一些实施例中,对象分类模式的确定方法和/或对象分类方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的对象分类模式的确定方法和/或对象分类方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行对象分类模式的确定方法和/或对象分类方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程对象分类模式的确定装置和/或对象分类装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (18)
1.一种对象分类模式的确定方法,包括:
基于初始条件信息和多个对象的历史特征数据,将所述多个对象进行分类,得到多个候选类别,其中,所述对象包括存在信贷问题的对象,所述历史特征数据包括对象购买金融产品的特征;
基于所述多个候选类别的对象风险概率,确定所述候选类别的类别风险概率;其中,所述对象风险概率表征对应对象的风险程度,所述对象风险概率包括坏样本率;
基于所述候选类别的类别风险概率,从所述多个候选类别中确定目标类别;
从所述初始条件信息中,确定与所述目标类别相关联的目标条件信息;
响应于确定与所述目标条件信息相关联的特征数量小于等于第一预设数量,并且第一对象的数量大于等于第二预设数量,将所述目标条件信息添加至候选条件集合,其中,所述第一对象的历史特征数据与所述目标条件信息相关联;
响应于确定所述候选条件集合中目标条件信息的信息量大于等于第一预设信息量,并且第二对象的数量与总对象的数量之间的比值大于等于第一比值,停止向所述候选条件集合中添加所述目标条件信息,其中,所述第二对象的历史特征数据与所述候选条件集合相关联;以及
基于所述候选条件集合,确定所述对象分类模式;其中,所述对象分类模式包括分类条件或分类规则,所述对象分类模式用于将对象划分为低风险对象或高风险对象。
2.根据权利要求1所述的方法,还包括:
基于所述多个对象的对象风险概率,确定总体风险概率。
3.根据权利要求2所述的方法,其中,所述基于所述候选类别的类别风险概率,从所述多个候选类别中确定所述目标类别包括:
基于所述候选类别的类别风险概率与所述总体风险概率之间的目标比值,从所述多个候选类别中确定所述目标类别。
4.根据权利要求3所述的方法,还包括:
更新所述目标条件信息,得到经更新目标条件信息;
确定与所述经更新目标条件信息对应的经更新目标比值;以及
响应于确定所述经更新目标比值满足第一阈值条件,将所述经更新目标条件信息替换所述目标条件信息。
5.根据权利要求1所述的方法,其中,所述候选条件集合包括N个目标条件信息,N为大于1的整数;所述基于所述候选条件集合,确定所述对象分类模式包括:
基于所述N个目标条件信息对应的目标比值,对所述N个目标条件信息进行排序,得到排序后的N个目标条件信息;
对排序后的N个目标条件信息进行保留判断,将需要保留的目标条件信息添加至目标条件集合;以及
将所述目标条件集合,确定为所述对象分类模式。
6.根据权利要求5所述的方法,其中,所述对排序后的N个目标条件信息进行保留判断,将需要保留的目标条件信息添加至目标条件集合包括:
从排序后的N个目标条件信息中确定当前目标条件信息;
响应于确定与所述当前目标条件信息相关联的特征数量小于等于第三预设数量,并且第三对象的数量大于等于第四预设数量,将所述当前目标条件信息添加至所述目标条件集合中,其中,所述第三对象的历史特征数据与所述当前目标条件信息相关联;以及
响应于确定所述目标条件集合中保留的目标条件信息的信息量大于等于第二预设信息量,并且第四对象的数量与总对象的数量之间的比值大于等于第二比值,停止向所述目标条件集合中添加所述当前目标条件信息,其中,所述第四对象的历史特征数据与所述目标条件集合相关联。
7.根据权利要求1-6中任意一项所述的方法,其中,所述多个候选类别与树模型中的多个叶子结点相关联;所述从所述初始条件信息中,确定与所述目标类别相关联的目标条件信息包括:
从所述树模型的多个叶子节点中,确定与所述目标类别对应的目标叶子结点;
基于所述目标叶子结点,从所述树模型中确定目标分支,其中,所述目标分支包括所述目标叶子结点;以及
从所述初始条件信息中,确定与所述目标分支相关联的目标条件信息。
8. 一种对象分类方法,包括:
获取目标对象的特征数据,其中,所述目标对象包括存在信贷问题的对象,所述特征数据包括所述目标对象购买金融产品的特征;以及
根据对象分类模式和所述特征数据,对所述目标对象进行分类;
其中,所述对象分类模式是利用权利要求1-7中任意一项所述的方法确定的。
9.一种对象分类模式的确定装置,包括:
分类模块,用于基于初始条件信息和多个对象的历史特征数据,将所述多个对象进行分类,得到多个候选类别;其中,所述对象包括存在信贷问题的对象,所述历史特征数据包括对象购买金融产品的特征;
第一确定模块,用于基于所述多个候选类别的对象风险概率,从所述多个候选类别中确定目标类别;其中,所述对象风险概率表征对应对象的风险程度,所述对象风险概率包括坏样本率;
第二确定模块,用于从所述初始条件信息中,确定与所述目标类别相关联的目标条件信息;以及
第三确定模块,用于基于所述目标条件信息,确定对象分类模式,其中,所述对象分类模式包括分类条件或分类规则,所述对象分类模式用于将对象划分为低风险对象或高风险对象;
其中,所述第一确定模块包括:
第一确定子模块,用于基于所述多个候选类别的对象风险概率,确定所述候选类别的类别风险概率;以及
第二确定子模块,用于基于所述候选类别的类别风险概率,从所述多个候选类别中确定所述目标类别;
所述第三确定模块包括:
添加子模块,用于响应于确定与所述目标条件信息相关联的特征数量小于等于第一预设数量,并且第一对象的数量大于等于第二预设数量,将所述目标条件信息添加至候选条件集合,其中,所述第一对象的历史特征数据与所述目标条件信息相关联;
停止子模块,用于响应于确定所述候选条件集合中目标条件信息的信息量大于等于第一预设信息量,并且第二对象的数量与总对象的数量之间的比值大于等于第一比值,停止向所述候选条件集合中添加所述目标条件信息,其中,所述第二对象的历史特征数据与所述候选条件集合相关联;以及
第三确定子模块,用于基于所述候选条件集合,确定所述对象分类模式。
10.根据权利要求9所述的装置,还包括:
第四确定模块,用于基于所述多个对象的对象风险概率,确定总体风险概率。
11.根据权利要求10所述的装置,其中,所述第二确定子模块还用于:
基于所述候选类别的类别风险概率与所述总体风险概率之间的目标比值,从所述多个候选类别中确定所述目标类别。
12.根据权利要求11所述的装置,还包括:
更新模块,用于更新所述目标条件信息,得到经更新目标条件信息;
第五确定模块,用于确定与所述经更新目标条件信息对应的经更新目标比值;以及
替换模块,用于响应于确定所述经更新目标比值满足第一阈值条件,将所述经更新目标条件信息替换所述目标条件信息。
13.根据权利要求9所述的装置,其中,所述候选条件集合包括N个目标条件信息,N为大于1的整数;所述第三确定子模块包括:
排序单元,用于基于所述N个目标条件信息对应的目标比值,对所述N个目标条件信息进行排序,得到排序后的N个目标条件信息;
添加单元,用于对排序后的N个目标条件信息进行保留判断,将需要保留的目标条件信息添加至目标条件集合;以及
确定单元,用于将所述目标条件集合,确定为所述对象分类模式。
14.根据权利要求13所述的装置,其中,所述添加单元包括:
确定子单元,用于从排序后的N个目标条件信息中确定当前目标条件信息;
添加子单元,用于响应于确定与所述当前目标条件信息相关联的特征数量小于等于第三预设数量,并且第三对象的数量大于等于第四预设数量,将所述当前目标条件信息添加至所述目标条件集合中,其中,所述第三对象的历史特征数据与所述当前目标条件信息相关联;以及
停止子单元,用于响应于确定所述目标条件集合中保留的目标条件信息的信息量大于等于第二预设信息量,并且第四对象的数量与总对象的数量之间的比值大于等于第二比值,停止向所述目标条件集合中添加所述当前目标条件信息,其中,所述第四对象的历史特征数据与所述目标条件集合相关联。
15.根据权利要求9-14中任意一项所述的装置,其中,所述多个候选类别与树模型中的多个叶子结点相关联;所述第二确定模块包括:
第四确定子模块,用于从所述树模型的多个叶子结点中,确定与所述目标类别对应的目标叶子结点;
第五确定子模块,用于基于所述目标叶子结点,从所述树模型中确定目标分支,其中,所述目标分支包括所述目标叶子结点;以及
第六确定子模块,用于从所述初始条件信息中,确定与所述目标分支相关联的目标条件信息。
16. 一种对象分类装置,包括:
获取模块,用于获取目标对象的特征数据,其中,所述目标对象包括存在信贷问题的对象,所述特征数据包括所述目标对象购买金融产品的特征;以及
分类模块,用于根据对象分类模式和所述特征数据,对所述目标对象进行分类;
其中,所述对象分类模式是利用权利要求9-15中任意一项所述的装置确定的。
17. 一种电子设备,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指令,所述指令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权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210776197.2A CN115146725B (zh) | 2022-06-30 | 2022-06-30 | 对象分类模式的确定方法、对象分类方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210776197.2A CN115146725B (zh) | 2022-06-30 | 2022-06-30 | 对象分类模式的确定方法、对象分类方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115146725A CN115146725A (zh) | 2022-10-04 |
CN115146725B true CN115146725B (zh) | 2023-05-30 |
Family
ID=83409416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210776197.2A Active CN115146725B (zh) | 2022-06-30 | 2022-06-30 | 对象分类模式的确定方法、对象分类方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115146725B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019072128A1 (zh) * | 2017-10-09 | 2019-04-18 | 北京京东尚科信息技术有限公司 | 对象识别方法及其系统 |
WO2019218751A1 (zh) * | 2018-05-16 | 2019-11-21 | 阿里巴巴集团控股有限公司 | 一种保险业务风险预测的处理方法、装置及处理设备 |
WO2020015089A1 (zh) * | 2018-07-18 | 2020-01-23 | 平安科技(深圳)有限公司 | 身份信息风险评定方法、装置、计算机设备和存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10650927B2 (en) * | 2015-11-13 | 2020-05-12 | Cerner Innovation, Inc. | Machine learning clinical decision support system for risk categorization |
CN106611187A (zh) * | 2016-06-17 | 2017-05-03 | 四川用联信息技术有限公司 | 一种多维尺度的异构代价敏感决策树构建方法 |
CN109460793B (zh) * | 2018-11-15 | 2023-07-18 | 腾讯科技(深圳)有限公司 | 一种节点分类的方法、模型训练的方法及装置 |
CN110428091B (zh) * | 2019-07-10 | 2022-12-27 | 平安科技(深圳)有限公司 | 基于数据分析的风险识别方法及相关设备 |
JP2022063004A (ja) * | 2020-10-09 | 2022-04-21 | 森永乳業株式会社 | 腸内状態判定方法 |
CN112633384B (zh) * | 2020-12-25 | 2022-11-01 | 北京百度网讯科技有限公司 | 基于图像识别模型的对象识别方法、装置和电子设备 |
CN112950225A (zh) * | 2021-02-25 | 2021-06-11 | 中国工商银行股份有限公司 | 一种客户类别确定方法、装置及存储介质 |
CN113256072A (zh) * | 2021-04-26 | 2021-08-13 | 河南天眼查科技有限公司 | 企业数据分类展示方法和装置、及存储介质和电子设备 |
CN113988961A (zh) * | 2021-09-26 | 2022-01-28 | 阿里巴巴(中国)有限公司 | 目标对象预测方法及装置 |
-
2022
- 2022-06-30 CN CN202210776197.2A patent/CN115146725B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019072128A1 (zh) * | 2017-10-09 | 2019-04-18 | 北京京东尚科信息技术有限公司 | 对象识别方法及其系统 |
WO2019218751A1 (zh) * | 2018-05-16 | 2019-11-21 | 阿里巴巴集团控股有限公司 | 一种保险业务风险预测的处理方法、装置及处理设备 |
WO2020015089A1 (zh) * | 2018-07-18 | 2020-01-23 | 平安科技(深圳)有限公司 | 身份信息风险评定方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115146725A (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113222942A (zh) | 多标签分类模型的训练方法和预测标签的方法 | |
CN112561082A (zh) | 生成模型的方法、装置、设备以及存储介质 | |
CN114065864A (zh) | 联邦学习方法、联邦学习装置、电子设备以及存储介质 | |
CN114037059A (zh) | 预训练模型、模型的生成方法、数据处理方法及装置 | |
CN115146725B (zh) | 对象分类模式的确定方法、对象分类方法、装置和设备 | |
CN116468479A (zh) | 确定页面质量评估维度方法、页面质量的评估方法和装置 | |
CN116342164A (zh) | 目标用户群体的定位方法、装置、电子设备及存储介质 | |
CN115545481A (zh) | 一种风险等级确定方法、装置、电子设备及存储介质 | |
CN115630708A (zh) | 一种模型更新方法、装置、电子设备、存储介质及产品 | |
CN113987260A (zh) | 一种视频推送方法、装置、电子设备及存储介质 | |
CN114037060A (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 | |
CN114037058B (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
CN111325350A (zh) | 可疑组织发现系统和方法 | |
CN114037057B (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
CN113409288B (zh) | 一种图像清晰度的检测方法、装置、设备和存储介质 | |
CN116150499A (zh) | 对资源品质的偏好度量方法、装置、设备和介质 | |
CN115455298A (zh) | 目标物品确定方法、装置、电子设备及存储介质 | |
CN117651167A (zh) | 资源推荐方法、装置、设备以及存储介质 | |
CN117611324A (zh) | 信用评级方法、装置、电子设备和存储介质 | |
CN114037058A (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
CN114912541A (zh) | 分类方法、装置、电子设备和存储介质 | |
CN115392399A (zh) | 流程超时预测模型的训练和使用方法、装置、设备及介质 | |
CN116228382A (zh) | 数据处理方法、装置、电子设备以及存储介质 | |
CN114429581A (zh) | 数据处理方法及装置、设备、介质和产品 |
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 |