CN115600129A - 信息识别方法、装置、电子设备及存储介质 - Google Patents

信息识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115600129A
CN115600129A CN202211341750.6A CN202211341750A CN115600129A CN 115600129 A CN115600129 A CN 115600129A CN 202211341750 A CN202211341750 A CN 202211341750A CN 115600129 A CN115600129 A CN 115600129A
Authority
CN
China
Prior art keywords
information
vector
laplace transform
model
layer
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
CN202211341750.6A
Other languages
English (en)
Inventor
张舒沁
邓静仪
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.)
Agricultural Bank of China
Original Assignee
Agricultural Bank of China
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 Agricultural Bank of China filed Critical Agricultural Bank of China
Priority to CN202211341750.6A priority Critical patent/CN115600129A/zh
Publication of CN115600129A publication Critical patent/CN115600129A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种信息识别方法、装置、电子设备及存储介质。获取原始信息，基于所述原始信息确定待识别信息；对所述待识别信息进行结构化处理，得到待识别向量；将所述待识别向量输入至预先训练完成的信息识别模型中，得到所述原始信息的目标分类结果；其中，所述信息识别模型基于样本信息以及与样本信息对应的期望分类结果训练得到，所述信息识别模型包括至少一个拉普拉斯变换层。确定原始信息的目标分类结果的精准性。

Description

信息识别方法、装置、电子设备及存储介质
技术领域
本发明涉及信息分类技术领域，尤其涉及一种信息识别方法、装置、电子设备及存储介质。
背景技术
随着互联网的普及，在很多应用场景中，需要对大量的信息进行处理以得到用户关注的信息。常见的信息处理的方式为信息分类。例如，金融行业中需要对不同的用户群体进行区分，以增加用户与企业的粘性，促进企业发展。随着信息服务的不断精细化，对用户信息精准分类的要求也越来越高。
目前，基于神经网络模型对信息进行分类的方法较为普遍。但是，采用传统的神经网络模型对信息的识别结果往往不稳定，尤其是对于信息量大而且信息结构复杂的数据，其识别精准性较差，且鲁棒性较差。
发明内容
本发明提供了一种信息识别方法、装置、电子设备及存储介质，以解决信用卡主卡用户申办附属卡意愿的识别结果精准性较差的技术问题。
根据本发明的一方面，提供了一种信息识别方法，其中，该方法包括：
获取原始信息，基于所述原始信息确定待识别信息；
对所述待识别信息进行结构化处理，得到待识别向量；
将所述待识别向量输入至预先训练完成的信息识别模型中，得到所述原始信息的目标分类结果；
其中，所述信息识别模型基于样本信息以及与样本信息对应的期望分类结果训练得到，所述信息识别模型包括至少一个拉普拉斯变换层。
根据本发明的另一方面，提供了一种信息识别装置，其中，该装置包括：
信息处理模块，用于获取原始信息，基于所述原始信息确定待识别信息；
向量处理模块，用于对所述待识别信息进行结构化处理，得到待识别向量；
信息识别模块，用于将所述待识别向量输入至预先训练完成的信息识别模型中，得到所述原始信息的目标分类结果；
其中，所述信息识别模型基于样本信息以及与样本信息对应的期望分类结果训练得到，所述信息识别模型包括至少一个拉普拉斯变换层。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的信息识别方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的信息识别方法。
本发明实施例的技术方案，通过获取原始信息，基于所述原始信息确定待识别信息，能够获取原始信息中有助于确定分类结果的信息；对所述待识别信息进行结构化处理，得到待识别向量，将信息转化为向量比，以便于模型识别；将所述待识别向量输入至预先训练完成的信息识别模型中，得到所述原始信息的目标分类结果；其中，所述信息识别模型基于样本信息以及与样本信息对应的期望分类结果训练得到，所述信息识别模型包括至少一个拉普拉斯变换层，提升了模型精度。提高了确定原始信息的目标分类结果的精准性。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种信息识别方法的流程图；
图2是根据本发明实施例提供的一种神经网络层的连接方法的流程图；
图3是根据本发明实施例二提供的一种信息识别方法的流程图；
图4是根据本发明实施例提供的一种基本的神经网络模型的场景示意图；
图5是根据本发明实施例三提供的一种信息识别装置的结构示意图；
图6是实现本发明实施例的信息识别方法的电子设备的结构示意图；
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种信息识别方法的流程图，本实施例可适用于信息分类的情况，该方法可以由信息识别装置来执行，该信息识别装置可以采用硬件和/或软件的形式实现，该信息识别装置可配置于计算机中。如图1所示，该方法包括：
S110、获取原始信息，基于所述原始信息确定待识别信息。
其中，所述原始信息可以理解为待处理的原始数据。示例性地，所述原始信息可以是用户基本信息和/或消费信息等。其中，所述该用户基本信息例如可包括用户设置为公开的信息或者授权使用的信息。所述消费信息可以包括消费金额、消费频次以及交易商户等信息。
其中，所述待识别信息可以理解为所述原始信息中，有助于对所述原始信息进行分类的信息。可以理解的是，所述待识别信息可以是所述原始信息的全部信息或者所述原始信息中的部分信息。
可选的，所述基于所述原始信息确定待识别信息，包括：基于多个预设的待提取特征对所述原始信息进行数据处理，得到与所述原始信息对应的待识别信息。
其中，所述待提取特征可以理解为预设的用于对所述待识别信息进行特征提取的特征。可选的，所述待提取特征可以是用户基本特征和/或用户消费特征等。在本发明实施例中，所述待提取特征可以根据场景需求预设，在此不做具体限定。
S120、对所述待识别信息进行结构化处理，得到待识别向量。
其中，所述待识别向量可以理解为对所述待识别信息进行结构化处理所得到的向量。
可选的，所述对所述待识别信息进行结构化处理，得到待识别向量，包括：分别确定每个所述待提取特征对应的特征值，将各个所述待提取特征对应的特征值按照预设排布方式进行排布，以得到待识别向量。
其中，所述特征值可以理解为每个所述待提取特征对应的数值。在本发明实施例中，可以基于不同的特征值表征不同的所述待提取特征所对应的待识别信息。示例性的，职业特征的待识别信息可以包括教师、建筑师以及医生等。其中，可以用特征值1表征教师，特征值2表征建筑师以及特征值3表征医生。因此，在职业特征的待识别信息为医生时，则职业特征的特征值可以为3。
其中，所述预设排布方式可以理解为预先设置的，在采用各个所述待提取特征构建待识别向量时，各个所述待提取特征对应的特征值的排布位置。在本发明实施例中，所述预设排布方式可以根据场景需求预设，在此不做具体限定。
S130、将所述待识别向量输入至预先训练完成的信息识别模型中，得到所述原始信息的目标分类结果。
其中，所述信息识别模型用于识别所述原始信息对应的所述待识别向量是否有申办附属卡意愿的模型。所述目标分类结果可以理解为针对所述原始信息对应的所述待识别向量，通过所述信息识别模型所得到的分类结果。
在本发明实施例中，可以基于所述原始信息对应的所述待识别向量申办附属卡意愿的概率确定所述目标分类结果。可以理解的是，目标分类结果可以有两种或两种以上。具体的，可以信息识别模型输出的与每个类别对应的概率确定目标分类结果。示例性地，在二分类场景中，不同的目标分类结果可以采用0和1区分。示例性地，如果类别对应的概率大于预设阈值，将所述原始信息的目标分类结果确定为1；如果类别对应的概率小于或等于预设阈值时，将所述原始信息的目标分类结果确定为0。
其中，所述信息识别模型基于样本信息以及与样本信息对应的期望分类结果训练得到。
在本发明实施例中，所述信息识别模型包括至少一个拉普拉斯变换层。考虑到所述原始信息的特征较为复杂，例如用户基本信息的差异可能导致消费数据等有较大的差异，或者交易频次的不同导致输入数据的长度不同。因此，通过传统的神经网络模型训练得到的模型泛化能力较差，在本发明实施例中，通过训练基于拉普拉斯变换的神经网络模型(Laplace transform neural network,LTNN)得到所述信息识别模型，可以提高所述原始信息识别的精准性。
其中，所述样本信息可以理解为用于训练所述信息识别模型的样本数据。可选的，所述样本信息可以包括训练样本信息和测试样本信息。其中，所述训练样本信息可以用于训练所述信息识别模型，所述测试样本信息可以用于测试所述信息识别模型的泛化能力。所述期望分类结果可以理解为针对所述样本信息，期望所述信息识别模型输出的分类结果。
可选的，所述信息识别模型包括多个拉普拉斯变换层、第一全连接神经网络层和第二全连接神经网络层，其中，多个所述拉普拉斯变换层串行连接，所述第一全连接神经网络层与第一个所述拉普拉斯变换层连接，第二全连接神经网络层与最后一个所述拉普拉斯变换层连接。
其中，所述拉普拉斯变换层可以理解为可以将时域空间的函数转换成频域空间的函数的神经网络层。在本发明实施例中，所述信息识别模型包括多个拉普拉斯变换层。具体的，多个所述拉普拉斯变换层可以串行连接。
其中，所述第一全连接神经网络层可以理解为在所述信息识别模型中起到特征升维作用的神经网络层。在本发明实施例中，所述第一全连接神经网络层可以与第一个所述拉普拉斯变换层连接；所述第二全连接神经网络层可以与最后一个所述拉普拉斯变换层连接(参考图2)。
在本发明实施例中，通过连接所述拉普拉斯变换层与全连接神经网络层对所述信息识别模型进行训练，可以在减少所述信息识别模型训练时间的同时，提升模型的精度。
可以理解的是，在使用信息识别模型之前，还需要对信息识别模型进行训练。具体的，所述信息识别方法，还包括：获取样本信息，并确定与样本信息对应的样本向量和期望分类结果；将所述样本向量输入至预先建立的初始神经网络模型中，得到模型输出结果；基于预设的损失函数、所述模型输出结果以及所述期望分类结果计算所述初始神经网络模型的模型损失；基于预设优化器以及所述模型损失调整所述初始神经网络模型的模型参数，以得到信息识别模型。
其中，所述初始神经网络模型可以理解为预先建立的神经网络模型。可以理解的是，可以对所述初始神经网络进行训练，以获取所述信息识别模型。可选的，所述初始神经网络模型可以是分类模型。
其中，所述模型输出结果可以理解为针对所述样本向量，通过所述初始神经网络输出的结果。可以理解的是，针对同一所述样本信息所对应的样本向量，所述模型输出结果和所述期望分类结果可以相同也可以不同。
其中，所述损失函数可以理解为用来度量所述模型输出结果和所述期望分类结果差异程度的运算函数。
其中，所述模型损失可以理解为所述初始神经网络模型的损失程度。可以理解的是，针对同一所述样本信息所对应的样本向量，所述模型输出结果和所述期望分类结果的差异越大，则所述模型损失越大；所述模型输出结果和所述期望分类结果的差异越小，则所述模型损失越小。
其中，所述预设优化器可以理解为用于优化所述初始神经网络模型的算法。在本发明实施例中，所述预设优化器可以根据场景需求预设，在此不做具体限定。可选的，所述预设优化器可以包括随机梯度下降优化、自适应动量的随机优化和均方根传递优化中的至少一个。
其中，所述随机梯度下降优化(Stochastic Gradient Descent，SGD)可以理解为使用梯度下降来调整模型参数的算法。所述自适应动量的随机优化(adaptive momentestimation,Adam)可以理解为通过对梯度的均值和梯度的未中心化的方差进行综合考虑，计算出更新步长来调整模型参数的算法。所述均方根传递优化(Root Mean Square Prop,RMSprop)可以理解为通过使用小批量随机梯度按元素平方的指数加权移动平均来调整学习率的方式来调整模型参数的算法。
其中，所述模型参数可以理解为所述初始神经网络模型的配置参数。
本发明实施例的技术方案，通过获取原始信息，基于所述原始信息确定待识别信息，能够获取原始信息中有助于确定分类结果的信息；对所述待识别信息进行结构化处理，得到待识别向量，将信息转化为向量比，以便于模型识别；将所述待识别向量输入至预先训练完成的信息识别模型中，得到所述原始信息的目标分类结果；其中，所述信息识别模型基于样本信息以及与样本信息对应的期望分类结果训练得到，所述信息识别模型包括至少一个拉普拉斯变换层，提升了模型精度。提高了确定原始信息的目标分类结果的精准性。
实施例二
图3为本发明实施例二提供的一种信息识别方法的流程图，本实施例是对上述实施例中所述将所述待识别信息输入至预先训练完成的信息识别模型中进行追加。如图3所示，该方法包括：
S210、获取原始信息，基于所述原始信息确定待识别信息。
S220、对所述待识别信息进行结构化处理，得到待识别向量。
S230、将所述待识别向量输入至预先训练完成的信息识别模型中。
S240、基于所述第一全连接神经网络层对所述待识别向量进行升维处理，得到升维向量，并将所述升维向量传递给所述拉普拉斯变换层。
其中，所述升维向量可以理解为针对所述待识别向量，通过所述第一全连接神经网络层进行升维处理所得到的向量。
S250、基于所述拉普拉斯变换层对所述升维向量进行处理，得到拉普拉斯变换向量，并将所述拉普拉斯变换向量传递给所述第二全连接神经网络层。
其中，所述拉普拉斯变换向量可以理解为针对所述升维向量，通过所述拉普拉斯变换层进行处理所得到的向量。
可选的，所述基于所述拉普拉斯变换层对所述升维向量进行处理，得到拉普拉斯变换向量，包括：
基于如下公式对所述待处理信息进行处理：
Figure BDA0003914654980000091
其中，y为所述拉普拉斯变换层的输出的拉普拉斯变换向量，x为所述拉普拉斯变换层的输入向量，W为所述拉普拉斯变换层与前一层之间的权重矩阵，V为所述拉普拉斯变换层与后一层之间的权重矩阵，σ为激活函数，
Figure BDA0003914654980000092
为拉普拉斯变换。
在本发明实施例中，所述信息识别模型可以通过所述拉普拉斯变换层处理长度不同的输入数据，并且可以在较少的迭代次数下，对所述初始神经网络模型达到较好的训练效果，实现了提高所述信息识别模型的训练效率，提升所述信息识别模型的精度的效果。
S260、基于所述第二全连接神经网络层对所述拉普拉斯变换向量进行降维处理，得到所述原始信息的目标分类结果。
具体的，将所述待识别向量输入至预先训练完成的信息识别模型中，通过所述信息识别模型中的所述第一全连接神经网络层对所述待识别向量进行升维处理，得到升维向量，并将所述升维向量传递给与所述第一全连接神经网络层连接的第一个所述拉普拉斯变换层；进一步的，通过第一个所述拉普拉斯变换层以及与第一个所述拉普拉斯变换层串行连接的多个所述拉普拉斯变换层对所述升维向量进行处理，得到拉普拉斯变换向量，并将所述拉普拉斯变换向量传递给与最后一个所述拉普拉斯变换层连接的所述第二全连接神经网络层；最后，所述第二全连接神经网络层对所述拉普拉斯变换向量进行降维处理，得到目标分类结果。
本发明实施例的技术方案，通过基于所述第一全连接神经网络层对所述待识别向量进行升维处理，得到升维向量，并将所述升维向量传递给所述拉普拉斯变换层；基于所述拉普拉斯变换层对所述升维向量进行处理，得到拉普拉斯变换向量，并将所述拉普拉斯变换向量传递给所述第二全连接神经网络层；基于所述第二全连接神经网络层对所述拉普拉斯变换向量进行降维处理，得到所述原始信息的目标分类结果。可以提升信息识别模型的训练效率，提高模型的泛化性与精准性。
在本发明实施例中，所述信息识别方法的整体流程可以是：
1.处理原始信息。
基于原始数据确定待识别信息。结构化处理待识别信息。将待识别信息转化为结构化的待识别向量，作为神经网络模型的输入数据。
在本发明实施例中，可以处理样本信息，以获取样本向量，并分别随机将80％的数据划分为训练数据、20％的数据划分为测试数据。基于训练数据训练神经网络并调整神经网络权重，使模型有更高的精度，再基于测试数据来验证网络的泛化性。
2.构建神经网络模型。
首先，通过对原始数据的分析来选择合适的神经网络模型。由于本方法中原始数据的形式相对复杂，通过传统的神经网络模型，例如，全连接神经网络或卷积神经网络难以训练出具有良好泛化能力的模型，在本发明实施例中，较好的解决了这一技术问题。
基本的神经网络模型通常是由三层网络层构成的神经网络(参考图4)。自下而上分别是输入层，隐藏层和输出层。示例性的，输入层可以有4个神经元，隐藏层可以有3个神经元，输出层可以有一个神经元。该神经网络的表达式可以为：
y＝Vσ(Wx+b)
其中，y为所述拉普拉斯变换层的输出的拉普拉斯变换向量，x为所述拉普拉斯变换层的输入向量，W为所述拉普拉斯变换层与前一层之间的权重矩阵，V为所述拉普拉斯变换层与后一层之间的权重矩阵，σ为激活函数，b为向量偏置项。
通常情况下，W，V以及b中元素的初始化形式可以服从正态分布。激活函数σ可以是非线性的函数，可以对向量逐元素进行计算。示例性的，常用的激活函数可以是线性整流函数(Rectified Linear Unit，relu)、sigmoid函数和tanh函数等。根据基本的神经网络模型，可以确定深层神经网络的形式，示例性的，L层神经网络的表达式可以为：
y＝ALσ(AL-1σ(AL-2...σ(A1x+b1))+bL-1)+bL
其中，y为所述拉普拉斯变换层的输出的拉普拉斯变换向量，σ为激活函数，L为神经网络层数，A为当前所述拉普拉斯变换层与后一层之间的权重矩阵。
在本发明实施例中，加入了多个拉普拉斯变换层。加入了多个拉普拉斯变换层的好处在于可以减少神经网络的训练时间，在较少的迭代次数下达到较好的训练效果，提高了模型训练的效率。同时可以通过拉普拉斯变换层处理长度不同的输入数据，提高模型的泛化性。
3.选择优化与设置超参数。
在确定样本向量与初始神经网络模型之后，训练过程中优化器的选择与超参数的设置会对模型的训练起到比较关键的作用。目前，常见的优化器有SGD，Adam或RMSProp等。示例性的，需要设置的超参数可以是网络层数、每层的神经元个数以及学习率等。在随机初始化模型参数后，先设置一组超参数，再通过模型的训练以及验证来调整超参数，使得训练出的模型具有较强的泛化能力。
本发明提出了一种信息识别方法，能够将定性问题变换为概率问题，结合了拉普拉斯变换的深度学习方法，快速的识别到原始数据对应的类别。
实施例三
图5为本发明实施例三提供的一种信息识别装置的结构示意图。如图5所示，该装置包括：信息处理模块310、向量处理模块320以及信息识别模块330。
其中，信息处理模块310，用于获取原始信息，基于所述原始信息确定待识别信息；向量处理模块320，用于对所述待识别信息进行结构化处理，得到待识别向量；信息识别模块330，用于将所述待识别向量输入至预先训练完成的信息识别模型中，得到所述原始信息的目标分类结果；其中，所述信息识别模型基于样本信息以及与样本信息对应的期望分类结果训练得到，所述信息识别模型包括至少一个拉普拉斯变换层。
本发明实施例的技术方案，通过获取原始信息，基于所述原始信息确定待识别信息，能够获取原始信息中有助于确定分类结果的信息；对所述待识别信息进行结构化处理，得到待识别向量，将信息转化为向量比，以便于模型识别；将所述待识别向量输入至预先训练完成的信息识别模型中，得到所述原始信息的目标分类结果；其中，所述信息识别模型基于样本信息以及与样本信息对应的期望分类结果训练得到，所述信息识别模型包括至少一个拉普拉斯变换层，提升了模型精度。提高了确定原始信息的目标分类结果的精准性。
可选的，所述信息识别模型包括多个拉普拉斯变换层、第一全连接神经网络层和第二全连接神经网络层，其中，多个所述拉普拉斯变换层串行连接，所述第一全连接神经网络层与第一个所述拉普拉斯变换层连接，第二全连接神经网络层与最后一个所述拉普拉斯变换层连接。
可选的，所述信息识别装置，还包括：向量传递模块、向量升维模块以及向量降维模块。
其中，向量传递模块，用于在所述将所述待识别信息输入至预先训练完成的信息识别模型中之后，所述得到所述原始信息的目标分类结果之前，基于所述第一全连接神经网络层对所述待识别向量进行升维处理，得到升维向量，并将所述升维向量传递给所述拉普拉斯变换层；
向量升维模块，用于基于所述拉普拉斯变换层对所述升维向量进行处理，得到拉普拉斯变换向量，并将所述拉普拉斯变换向量传递给所述第二全连接神经网络层；
向量降维模块，用于基于所述第二全连接神经网络层对所述拉普拉斯变换向量进行降维处理，得到所述原始信息的目标分类结果。
可选的，所述向量升维模块，用于：
基于如下公式对所述待处理信息进行处理：
Figure BDA0003914654980000131
其中，y为所述拉普拉斯变换层的输出的拉普拉斯变换向量，x为所述拉普拉斯变换层的输入向量，W为所述拉普拉斯变换层与前一层之间的权重矩阵，V为所述拉普拉斯变换层与后一层之间的权重矩阵，σ为激活函数，
Figure BDA0003914654980000132
为拉普拉斯变换。
可选的，信息处理模块310，用于：
基于多个预设的待提取特征对所述原始信息进行数据处理，得到与所述原始数据对应的待识别信息。
可选的，向量处理模块320，用于：
分别确定每个所述待提取特征对应的特征值，将各个所述待提取特征对应的特征值按照预设排布方式进行排布，以得到待识别向量。
可选的，所述信息识别装置，还包括：信息获取模块、模型训练模块、损失计算模块以及模型调整模块。
其中，所述信息获取模块，用于获取样本信息，并确定与样本信息对应的样本向量和期望分类结果；
所述模型训练模块，用于将所述样本向量输入至预先建立的初始神经网络模型中，得到模型输出结果；
所述损失计算模块，用于基于预设的损失函数、所述模型输出结果以及所述期望分类结果计算所述初始神经网络模型的模型损失；
所述模型调整模块，用于基于预设优化器以及所述模型损失调整所述初始神经网络模型的模型参数，以得到信息识别模型，其中，所述预设优化器包括随机梯度下降优化、自适应动量的随机优化和均方根传递优化中的至少一个。
本发明实施例所提供的信息识别装置可执行本发明任意实施例所提供的信息识别方法，具备执行方法相应的功能模块和有益效果。
实施例四
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如信息识别方法。
在一些实施例中，信息识别方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的信息识别方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行信息识别方法。
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、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)、负载可编程逻辑设备(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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。
计算系统可以包括用户端和服务器。用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用户端-服务器关系的计算机程序来产生用户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
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，本发明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，只要能够实现本发明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，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种信息识别方法，其特征在于，包括：
获取原始信息，基于所述原始信息确定待识别信息；
对所述待识别信息进行结构化处理，得到待识别向量；
将所述待识别向量输入至预先训练完成的信息识别模型中，得到所述原始信息的目标分类结果；
其中，所述信息识别模型基于样本信息以及与样本信息对应的期望分类结果训练得到，所述信息识别模型包括至少一个拉普拉斯变换层。
2.根据权利要求1所述的方法，其特征在于，所述信息识别模型包括多个拉普拉斯变换层、第一全连接神经网络层和第二全连接神经网络层，其中，多个所述拉普拉斯变换层串行连接，所述第一全连接神经网络层与第一个所述拉普拉斯变换层连接，第二全连接神经网络层与最后一个所述拉普拉斯变换层连接。
3.根据权利要求2所述的方法，其特征在于，在所述将所述待识别信息输入至预先训练完成的信息识别模型中之后，所述得到所述原始信息的目标分类结果之前，还包括：
基于所述第一全连接神经网络层对所述待识别向量进行升维处理，得到升维向量，并将所述升维向量传递给所述拉普拉斯变换层；
基于所述拉普拉斯变换层对所述升维向量进行处理，得到拉普拉斯变换向量，并将所述拉普拉斯变换向量传递给所述第二全连接神经网络层；
基于所述第二全连接神经网络层对所述拉普拉斯变换向量进行降维处理，得到所述原始信息的目标分类结果。
4.根据权利要求3所述的方法，其特征在于，所述基于所述拉普拉斯变换层对所述升维向量进行处理，得到拉普拉斯变换向量，包括：
基于如下公式对所述待处理信息进行处理：
Figure FDA0003914654970000011
其中，y为所述拉普拉斯变换层的输出的拉普拉斯变换向量，x为所述拉普拉斯变换层的输入向量，W为所述拉普拉斯变换层与前一层之间的权重矩阵，V为所述拉普拉斯变换层与后一层之间的权重矩阵，σ为激活函数，
Figure FDA0003914654970000021
为拉普拉斯变换。
5.根据权利要求1所述的方法，其特征在于，所述基于所述原始信息确定待识别信息，包括：
基于多个预设的待提取特征对所述原始信息进行数据处理，得到与所述原始信息对应的待识别信息。
6.根据权利要求5所述的方法，其特征在于，所述对所述待识别信息进行结构化处理，得到待识别向量，包括：
分别确定每个所述待提取特征对应的特征值，将各个所述待提取特征对应的特征值按照预设排布方式进行排布，以得到待识别向量。
7.根据权利要求1所述的方法，其特征在于，还包括：
获取样本信息，并确定与样本信息对应的样本向量和期望分类结果；
将所述样本向量输入至预先建立的初始神经网络模型中，得到模型输出结果；
基于预设的损失函数、所述模型输出结果以及所述期望分类结果计算所述初始神经网络模型的模型损失；
基于预设优化器以及所述模型损失调整所述初始神经网络模型的模型参数，以得到信息识别模型，其中，所述预设优化器包括随机梯度下降优化、自适应动量的随机优化和均方根传递优化中的至少一个。
8.一种信息识别装置，其特征在于，包括：
信息处理模块，用于获取原始信息，基于所述原始信息确定待识别信息；
向量处理模块，用于对所述待识别信息进行结构化处理，得到待识别向量；
信息识别模块，用于将所述待识别向量输入至预先训练完成的信息识别模型中，得到所述原始信息的目标分类结果；
其中，所述信息识别模型基于样本信息以及与样本信息对应的期望分类结果训练得到，所述信息识别模型包括至少一个拉普拉斯变换层。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的信息识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的信息识别方法。
CN202211341750.6A 2022-10-28 2022-10-28 信息识别方法、装置、电子设备及存储介质 Pending CN115600129A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211341750.6A CN115600129A (zh) 2022-10-28 2022-10-28 信息识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211341750.6A CN115600129A (zh) 2022-10-28 2022-10-28 信息识别方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN115600129A true CN115600129A (zh) 2023-01-13

Family

ID=84851299

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211341750.6A Pending CN115600129A (zh) 2022-10-28 2022-10-28 信息识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115600129A (zh)

Similar Documents

Publication Publication Date Title
CN113705628B (zh) 预训练模型的确定方法、装置、电子设备以及存储介质
CN114118287A (zh) 样本生成方法、装置、电子设备以及存储介质
CN112580733A (zh) 分类模型的训练方法、装置、设备以及存储介质
CN115796310A (zh) 信息推荐及模型训练方法、装置、设备和存储介质
CN113642727B (zh) 神经网络模型的训练方法和多媒体信息的处理方法、装置
CN117235608B (zh) 风险检测方法、装置、电子设备及存储介质
CN117633184A (zh) 一种模型构建和智能回复方法、设备及介质
CN113449778A (zh) 用于量子数据分类的模型训练方法以及量子数据分类方法
CN117333076A (zh) 一种基于混合专家模型的估值方法、装置、设备及介质
CN115481694B (zh) 一种训练样本集的数据增强方法、装置、设备及存储介质
CN115759283A (zh) 一种模型解释方法、装置、电子设备以及存储介质
CN114610953A (zh) 一种数据分类方法、装置、设备及存储介质
CN114943608A (zh) 一种欺诈风险评估方法、装置、设备及存储介质
CN115600129A (zh) 信息识别方法、装置、电子设备及存储介质
CN113806541A (zh) 情感分类的方法和情感分类模型的训练方法、装置
CN114066278B (zh) 物品召回的评估方法、装置、介质及程序产品
CN113515383B (zh) 系统资源数据分配方法和装置
CN117474669A (zh) 一种贷款逾期预测方法、装置、设备及存储介质
CN116188063A (zh) 客群创建方法、装置、设备以及存储介质
CN116703109A (zh) 一种配电网项目选取方法、装置、设备及存储介质
CN117422544A (zh) 信用卡用户违约概率的预测方法、装置、设备及存储介质
CN117635300A (zh) 一种企业融资结果的预测方法、装置及电子设备
CN117635342A (zh) 一种投资组合的优化方法、装置、设备及存储介质
CN117934137A (zh) 一种基于模型融合的不良资产回收预测方法、装置及设备
CN117454313A (zh) 一种多源异构数据融合方法、装置、电子设备及存储介质

Legal Events

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