CN115796548A - 一种资源分配方法、装置、计算机设备、存储介质及产品 - Google Patents
一种资源分配方法、装置、计算机设备、存储介质及产品 Download PDFInfo
- Publication number
- CN115796548A CN115796548A CN202211641051.3A CN202211641051A CN115796548A CN 115796548 A CN115796548 A CN 115796548A CN 202211641051 A CN202211641051 A CN 202211641051A CN 115796548 A CN115796548 A CN 115796548A
- Authority
- CN
- China
- Prior art keywords
- information
- model
- value
- weight
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种资源分配方法、装置、计算机设备、存储介质及产品,包括:获取目标对象的属性信息;其中,所述属性信息是描述目标对象属性特征的数据信息;获取预置的资源分配模型,根据所述资源分配模型对所述属性信息进行处理得到资源分配信息;其中,所述资源分配模型是用于对目标对象的属性信息进行处理,得到资源的分配信息的神经网络模型;所述资源分配信息是基于所述目标对象的属性特征,对所述目标对象分配的资源信息。本申请在保证分配效率的前提下,还确保了各成员机构的属性特征与给各成员机构分配的资源之间的匹配度。
Description
技术领域
本申请涉及人工智能技术,尤其涉及一种资源分配方法、装置、计算机设备、存储介质及产品。
背景技术
对于企业财务管理而言,资源的管理占有很重要的地位,因此每年都需要在规定的时间之前,完成对所有成员机构的资源分配工作。但目前用户在进行资源分配时,很难以一个系统化的标准对未来年度的资源进行分配,进而可能产生资源分配不均的情况。这对资源的管理造成了不小的影响。
对此,当前企业通常是通过结合年度总结和资源分配经验,对各成员机构分配资源,然而,发明人发现,这种方式不仅资源分配效率低下,而且还难以保证各成员机构的属性特征与给各成员机构分配的资源之间的匹配度。
发明内容
本申请提供一种资源分配方法、装置、计算机设备、存储介质及产品,用以解决当前资源分配方法不仅资源分配效率低下,而且还难以保证各成员机构的属性特征与给各成员机构分配的资源之间的匹配度的问题。
第一方面,本申请提供一种资源分配方法,包括:
获取目标对象的属性信息;其中,所述属性信息是描述目标对象属性特征的数据信息;
获取预置的资源分配模型,根据所述资源分配模型对所述属性信息进行处理得到资源分配信息;其中,所述资源分配模型是用于对目标对象的属性信息进行处理,得到资源的分配信息的神经网络模型;所述资源分配信息是基于所述目标对象的属性特征,对所述目标对象分配的资源信息。
上述方案中,所述资源分配模型的创建方法包括:
获取历史属性信息和历史分配信息;其中,历史属性信息是描述分配对象属性特征的数据信息;所述历史分配信息是历史上基于所述属性特征对所述分配对象分配的资源信息;
根据所述历史属性信息和历史分配信息生成训练集合;其中,所述训练集合中具有多个样本信息;
通过所述训练集合对预置的初始模型进行训练以得到所述资源分配模型;其中,所述初始模型是未经训练的神经网络模型。
上述方案中,所述根据所述历史属性信息和历史分配信息生成训练集合,包括:
汇总一个对象信息对应的历史属性信息和历史分配信息得到样本信息,及汇总多个对象信息的样本信息得到样本集合;其中,所述对象信息是分配对象的唯一性标识;
按照预置的划分比例信息将所述样本集合划分成训练组、测试组和验证组;
汇总所述训练组、所述测试组和所述验证组得到所述训练集合。
上述方案中,所述通过所述训练集合对预置的初始模型进行训练以得到所述资源分配模型,包括:
提取所述训练集合中的训练组、测试组和验证组;
通过所述训练组对所述初始模型进行训练得到待验证模型;
通过所述验证组对所述待验证模型进行验证处理;若所述待验证模型通过所述验证处理,则将所述待验证模型设为待测试模型;若所述待验证模型未通过所述验证处理,则将所述待验证模型设为验证失败模型;
通过所述测试组对所述待测试模型进行测试处理;若所述待测试模型通过所述测试处理,则将所述待测试模型设为所述资源分配模型;若所述待测试模型未通过所述测试处理,则将所述待测试模型设为测试失败模型。
上述方案中,所述通过所述训练组对所述初始模型进行训练得到待验证模型,包括:
提取所述训练组中样本信息的历史属性信息,将所述历史属性信息录入所述初始模型的输入层,使所述历史属性信息在所述输入层中转为历史属性向量,及将所述输入层中的历史属性向量输出至所述初始模型的隐藏层;
将所述历史属性向量载入所述隐藏层中的第一权值函数中,运算所述第一权值函数得到第一输出值,及调用预置的激活函数对所述第一输出值进行计算得到激活值;
将所述激活值载入所述隐藏层中的第二权重函数中,运算所述第二权重函数得到第二输出值,及调用所述激活函数对所述第二输出值进行计算得到预测值;
根据所述预测值和所述样本信息的历史分配信息得到第一误差信息,根据所述第一误差信息对所述隐藏层中第一权值函数和/或第二权值函数中的权重值,用以对所述初始模型进行迭代处理得到待测试模型;其中,所述待测试模型是能够根据所述样本信息生成的第一误差信息处于预置的训练误差范围的神经网络模型;其中,所述第一误差信息用于表征所述预测值和所述历史分配信息之间的差异。
上述方案中,所述根据所述第一误差信息对所述隐藏层中第一权值函数和/或第二权值函数中的权重值,用以对所述初始模型进行迭代处理得到待测试模型,包括:
执行迭代调整进程,所述迭代调整进程用于根据预置的学习速率值、所述第一权值函数中的权重值、所述第一误差信息,得到所述第一权值函数的第一权值变化值,根据所述第一权值变化值调整所述第一权值函数中的权重值;和/或
用于根据预置的学习速率值、所述第二权值函数中的权重值、所述第一误差信息,得到所述第二权值函数的第二权值变化值,根据所述第二权值变化值调整所述第二权值函数中的权重值;
将经过所述迭代调整进程调整后的初始模型或中间模型设为待识别模型,调用所述待识别模型运算所述样本信息的历史属性信息得到待识别预测值;
根据所述待识别预测值与所述历史分配信息生成更新的第一误差信息;若确定所述更新的第一误差信息处于所述训练误差范围,则将所述待识别模型设为所述待测试模型;若确定所述更新的第一误差信息不处于所述训练误差范围,则将所述待识别模型设为所述中间模型,并对所述中间模型根据更新的第一误差信息执行所述迭代调整进程。
上述方案中,所述根据所述第一误差信息对所述隐藏层中第一权值函数和/或第二权值函数中的权重值,用以对所述初始模型进行迭代处理得到待测试模型,包括:
执行优化迭代调整进程,所述优化迭代调整进程用于获取所述优化迭代调整进程当前被执行的迭代次数,根据所述迭代次数生成优化速率值;及
用于根据预置的优化速率值、所述第一权值函数中的权重值、所述第一误差信息,得到所述第一权值函数的第一权值变化值,根据所述第一权值变化值调整所述第一权值函数中的权重值;和/或
用于根据预置的优化速率值、所述第二权值函数中的权重值、所述第一误差信息,得到所述第二权值函数的第二权值变化值,根据所述第二权值变化值调整所述第二权值函数中的权重值;
将经过所述优化迭代调整进程调整后的初始模型或中间模型设为待识别模型,调用所述待识别模型运算所述样本信息的历史属性信息得到待识别预测值;
根据所述待识别预测值与所述历史分配信息生成更新的第一误差信息;若确定所述更新的第一误差信息处于所述训练误差范围,则将所述待识别模型设为所述待测试模型;若确定所述更新的第一误差信息不处于所述训练误差范围,则将所述待识别模型设为所述中间模型,并对所述中间模型根据更新的第一误差信息执行所述迭代调整进程。
上述方案中,所述通过所述验证组对所述待验证模型进行验证处理,包括:
提取所述验证组中样本信息的历史属性信息,将所述历史属性信息录入所述待验证模型的输入层,使所述历史属性信息在所述输入层中转为历史属性向量,及将所述输入层中的历史属性向量输出至所述待验证模型的隐藏层;
将所述历史属性向量载入所述隐藏层中的第一权值函数中,运算所述第一权值函数得到第一输出值,及调用预置的激活函数对所述第一输出值进行计算得到激活值;
将所述激活值载入所述隐藏层中的第二权重函数中,运算所述第二权重函数得到第二输出值,及调用所述激活函数对所述第二输出值进行计算得到验证预测值;
根据所述验证预测值和所述样本信息的历史分配信息得到第二误差信息;若确认所述第二误差信息处于预置的验证误差范围,则确定所述待验证模型通过所述验证处理;若确认所述第二误差信息不处于预置的验证误差范围,则确定所述待验证模型未通过所述验证处理;其中,所述第二误差信息用于表征所述验证预测值和所述历史分配信息之间的差异。
上述方案中,所述通过所述测试组对所述待测试模型进行测试处理,包括:
提取所述测试组中样本信息的历史属性信息,将所述历史属性信息录入所述待测试模型的输入层,使所述历史属性信息在所述输入层中转为历史属性向量,及将所述输入层中的历史属性向量输出至所述待测试模型的隐藏层;
将所述历史属性向量载入所述隐藏层中的第一权值函数中,运算所述第一权值函数得到第一输出值,及调用预置的激活函数对所述第一输出值进行计算得到激活值;
将所述激活值载入所述隐藏层中的第二权重函数中,运算所述第二权重函数得到第二输出值,及调用所述激活函数对所述第二输出值进行计算得到测试预测值;
根据所述测试预测值和所述样本信息的历史分配信息得到第三误差信息;若确认所述第三误差信息处于预置的测试误差范围,则确定所述待测试模型通过所述测试处理;若确认所述第三误差信息不处于预置的测试误差范围,则确定所述待测试模型未通过所述测试处理;其中,所述第三误差信息用于表征所述测试预测值和所述历史分配信息之间的差异。
第二方面,本申请提供一种资源分配装置,包括:输入模块和处理模块,所述输入模块与所述处理模块连接;
所述输入模块用于获取目标对象的属性信息;其中,所述属性信息是描述目标对象属性特征的数据信息;
所述处理模块用于获取预置的资源分配模型,根据所述资源分配模型对所述属性信息进行处理得到资源分配信息;其中,所述资源分配模型是用于对目标对象的属性信息进行处理,得到资源的分配信息的神经网络模型;所述资源分配信息是基于所述目标对象的属性特征,对所述目标对象分配的资源信息。
第三方面,本申请提供一种计算机设备,包括:处理器以及与所述处理模块通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理模块执行所述存储器存储的计算机执行指令,以实现如权利要求上述的资源分配方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现上述的资源分配方法。
第五方面,本申请提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述的资源分配方法。
本申请提供的一种资源分配方法、装置、计算机设备、存储介质及产品,通过资源分配模型对目标对象的属性信息进行处理,用以对目标对象分配资源分配信息,在保证分配效率的前提下,还确保了各成员机构(即:分配对象)的属性特征与给各成员机构分配的资源之间的匹配度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种应用场景示意图;
图2为本申请实施例提供的一种资源分配方法的实施例1的流程图;
图3为本申请实施例提供的一种资源分配方法的实施例2的流程图;
图4为本发明提供的一种资源分配装置的程序模块示意图;
图5为本发明计算机设备中计算机设备的硬件结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
请参阅图1,本申请具体的应用场景是:运行有资源分配方法的服务器2,服务器2分别与初始模型3和数据库4连接。
服务器2获取历史属性信息和历史分配信息;其中,历史属性信息是描述分配对象属性特征的数据信息;历史分配信息是历史上基于属性特征对分配对象分配的资源信息;服务器2根据历史属性信息和历史分配信息生成训练集合;其中,训练集合中具有多个样本信息;服务器2通过训练集合对预置的初始模型3进行训练以得到资源分配模型。服务器2还与数据库4连接,用于获取历史属性信息和历史分配信息。
本申请提供的资源分配模型创建的方法,旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
实施例1:
请参阅图2,本申请提供一种资源分配方法,包括:
S101:获取目标对象的属性信息;其中,属性信息是描述目标对象属性特征的数据信息;
S102:获取预置的资源分配模型,根据资源分配模型对属性信息进行处理得到资源分配信息;其中,资源分配模型是用于对目标对象的属性信息进行处理,得到资源的分配信息的神经网络模型;资源分配信息是基于目标对象的属性特征,对目标对象分配的资源信息。
本实例中,通过资源分配模型对目标对象的属性信息进行处理,用以对目标对象分配资源分配信息,在保证分配效率的前提下,还确保了各成员机构(即:分配对象)的属性特征与给各成员机构分配的资源之间的匹配度。
实施例2:
请参阅图3,本申请提供一种资源分配方法中,资源分配模型的创建方法包括:
S201:获取历史属性信息和历史分配信息;其中,历史属性信息是描述分配对象属性特征的数据信息;历史分配信息是历史上基于属性特征对分配对象分配的资源信息。
可选的,获取历史属性信息和历史分配信息,包括:
获取对象清单;其中,对象清单中具有多个对象信息;
根据对象清单从预置的数据库中,获取与对象信息对应的历史属性信息和历史分配信息。
于本实例中,使用者可以通过编辑对象清单,确定需要的场景,并从该场景中获取相应的对象信息,进而实现对多种场景的资源分配模型的创建。
示例性地,基于预算资源分配的场景,并通过将预算分配作为资源分配举例:目前预算分配的场景主要是:总行向全国各个一级行分配未来年度的预算,因此可将全国44个一级行过去3年的相关历史数据收集起来并进行分析。提取每一个机构的各项与预算分配有关的数据(包括历史数据),以机构为维度,把这些因子作为影响预算分配的指标,来预测该机构在接下来的一年应该分配多少预算。
历史属性信息包括:一组数据的年份Y(比如:收集到的这组数据是2021年的,那么Y=2021),该机构在Y年(2021年)的总营业额B,机构编号F,该机构在Y年(2021年)的总营业面积S,该机构(2021年)的在职员工数N,该机构Y年的总支出P,该机构Y年的总收入U,该机构在Y年的预算总额t。根据这些机构往年的数据预测这个机构下一年度的预算总额T。为管理者的后续的预算管理提供参考数据。因为预算分配是每年都要分配一次的,所以我们在收集各机构数据时是以年为粒度进行收集的。比如,收集北京分行2022年的:总营业面积,总收入,总员工数等数据,把这些数据作为一组。再把该机构2021年的总营业面积,总收入,总员工数等数据作为另一组。
历史分配数据:基于上述举例,获得与历史属性信息对应的历史分配信息为100万,即机构在Y年(2021年)的总营业额B,机构编号F,该机构在Y年(2021年)的总营业面积S,该机构(2021年)的在职员工数N,该机构Y年的总支出P,该机构Y年的总收入U对应的年度预算为100万。
S202:根据历史属性信息和历史分配信息生成训练集合;其中,训练集合中具有多个样本信息。
在一个优选的实施例中,根据历史属性信息和历史分配信息生成训练集合,包括:
汇总一个对象信息对应的历史属性信息和历史分配信息得到样本信息,及汇总多个对象信息的样本信息得到样本集合;其中,对象信息是分配对象的唯一性标识;
按照预置的划分比例信息将样本集合划分成训练组、测试组和验证组;
汇总训练组、测试组和验证组得到训练集合。
示例性地,把样本集合分成三份,其中70%的数据作为训练组,用于网络训练;15%的样本数据作为测试组,用来测试训练得到的结果;15%的样本作为验证组,用来验证最终的结果。
S203:通过训练集合对预置的初始模型进行训练以得到资源分配模型;其中,初始模型是未经训练的神经网络模型。
本步骤中,采用BP神经网络作为初始模型。目前可用BP神经网络,RNN循环神经网络等处理类似问题。其中RNN循环神经网络引入了时序的概念,即上一个时间点的参数影响了下一个时间点的参数,这种网络的结构较为复杂且不适用于本场景。而BP神经网络的每个参数,每一步都是独立的,对于未来年度预算分配这一场景来说,机构总营业面积S、机构的在职员工总数N、该机构的总收入U等参数之间并不存在相互依赖的关系,因此BP神经网络更加符合未来年度预算分配的场景,并且训练时长相对较短。
目前打算用三层的BP网络结构来处理此类问题,分别是:输入层,隐藏层和输出层。在输入层中输入影响预算分配的各项指标。在隐藏层中对输入层传来的数据进行处理,并将结果传给输出层。输出层根据隐藏层传来的数据计算BP网络的预测输出。于本实施例中,BP神经网络的处理数据的流程为:先输入原始数据,再把前一层处理后的输出数据,作为下一层的输入数据,依次计算,再根据网络的预测输出和期望输出计算误差信息。如果误差大于误差范围,则调整隐藏层、输出层的权值阈值后再进行多次迭代,直到得到满意的输出。
在一个优选的实施例中,通过训练集合对预置的初始模型进行训练以得到资源分配模型,包括:
提取训练集合中的训练组、测试组和验证组;
通过训练组对初始模型进行训练得到待验证模型;
通过验证组对待验证模型进行验证处理;若待验证模型通过验证处理,则将待验证模型设为待测试模型;若待验证模型未通过验证处理,则将待验证模型设为验证失败模型。
通过测试组对待测试模型进行测试处理;若待测试模型通过测试处理,则将待测试模型设为资源分配模型;若待测试模型未通过测试处理,则将待测试模型设为测试失败模型。
本实例中,通过训练组是在训练阶段使用的数据集,训练组的目的是为了在既定的假设空间中找到一组最优参数,以作为初始模型中隐藏层的权重值,并得到待测试模型。
通过验证组验证待验证模型的效果,验证组是为了验证模型的效果。验证组的目的是为了寻找最优的超参数,比如神经网络的层数、每层节点的个数、优化器的选择、迭代的次数等。基于一组超参数,都可以通过训练组训练出一个最优的模型,然后通过验证组再比较每组超参数训练的模型的效果,从而得到最优的那组超参数;同时验证组在训练过程中还可以用来监控模型是否发生过拟合,一般来说验证组表现稳定后,若继续训练,训练组表现还会继续上升,但是验证组会出现不升反降的情况,这样一般就发生了过拟合。所以验证组也用来判断何时停止训练。
通过测试组是用于评估待测试模型最终的泛化能力。原因在于我们通过手动调超参数,只要次数足够多,总能够找到一组超参数使模型在验证组上表现特别优秀。但不要忘了,验证组只是所有非训练数据中的一部分,并不能真正代表全部的数据,所以通过这种方法找到的超参数实际是在对验证组的过拟合。为了真实体现出模型的好坏,于是需要另外一批非训练组的数据来作为测试组,最终验证模型的泛化能力。
优选地,通过训练组对初始模型进行训练得到待验证模型,包括:
提取训练组中样本信息的历史属性信息,将历史属性信息录入初始模型的输入层,使历史属性信息在输入层中转为历史属性向量,及将输入层中的历史属性向量输出至初始模型的隐藏层;
将历史属性向量载入隐藏层中的第一权值函数中,运算第一权值函数得到第一输出值,及调用预置的激活函数对第一输出值进行计算得到激活值;
将激活值载入隐藏层中的第二权重函数中,运算第二权重函数得到第二输出值,及调用激活函数对第二输出值进行计算得到预测值;
根据预测值和样本信息的历史分配信息得到第一误差信息,根据第一误差信息对隐藏层中第一权值函数和/或第二权值函数中的权重值,用以对初始模型进行迭代处理得到待测试模型;其中,待测试模型是能够根据样本信息生成的第一误差信息处于预置的训练误差范围的神经网络模型。
示例性地,历史属性信息包括:一个对象信息的的年份Y、在Y年的总营业额B,该机构在Y年的总营业面积S等各项指标,于本实施例中,通过x作为上述各项指标的历史属性向量。输出为:该机构下一年度应分配到的预算总额t(预测值)。
将输入层中的历史属性向量输出到隐藏层中,并载入隐藏层中的第一权值函数;第一权值函数如下所示:
Z1=W1·x+B1
其中,Z1为第一输出值,W1为第一权值函数中的权重值,B1为预置在第一权值函数中的阈值。
选取ReLu函数作为激活函数,调用ReLu函数对第一输出值进行计算得到激活值;ReLu函数如下所示:
A1=Relu(Z1)
其中,Z1为第一输出值,A1为激活值。
将激活值载入隐藏层中的第二权重函数中,运算第二权重函数得到第二输出值;第二权重函数如下所示:
Z2=W2·A1+B2
其中,Z2为第二输出值,W2为第二权值函数中的权重值,B2为预置在第二权值函数中的阈值,A1为激活值。
调用激活函数对第二输出值进行计算得到预测值;如下所示:
y=Relu(Z2)
其中,Z2为第二输出值,y为预测值。
调用预置的误差函数根据预测值和样本信息的历史分配信息得到第一误差信息,误差函数如下所示:
其中,E为第一误差信息,i表示迭代处理的迭代次数,N表示训练样本的总个数,N为正整数,Zi为第i次第二输出值,ti为历史分配信息。E值越大说明误差越大,反之误差越小。如果对预测结果不满意,则需要进行多次迭代,直到第一误差信息E处于预置的误差范围为止。
进一步地,根据第一误差信息对隐藏层中第一权值函数和/或第二权值函数中的权重值,用以对初始模型进行迭代处理得到待测试模型,包括:
执行迭代调整进程,迭代调整进程用于根据预置的学习速率值、第一权值函数中的权重值、第一误差信息,得到第一权值函数的第一权值变化值,根据第一权值变化值调整第一权值函数中的权重值;和/或
用于根据预置的学习速率值、第二权值函数中的权重值、第一误差信息,得到第二权值函数的第二权值变化值,根据第二权值变化值调整第二权值函数中的权重值;
将经过迭代调整进程调整后的初始模型或中间模型设为待识别模型,调用待识别模型运算样本信息的历史属性信息得到待识别预测值;
根据待识别预测值与历史分配信息生成更新的第一误差信息;若确定更新的第一误差信息处于训练误差范围,则将待识别模型设为待测试模型;若确定更新的第一误差信息不处于训练误差范围,则将待识别模型设为中间模型,并对中间模型根据更新的第一误差信息执行迭代调整进程。
示例性地,在模型训练时,由于误差E的值是越小越好的,因此可以调整权值使E减小来对权值进行优化训练。可以设定一个步长:k(即学习速率值),每次权重值的权值变化值ΔW如下变化函数获得:
其中,ΔW为权值变化值,E为第一误差信息,k为学习速率值。
于本实施例中,第一权值变化值和第二权值变化值均通过上述变化函数获得。
通过调整函数根据第一权值变化值调整第一权值函数中的权重值,和/或根据第一权值变化值调整第一权值函数中的权重值。调整函数如下所示:
W(i+1)=W(i)+ΔW
其中,W(i)为第一权值函数和/或第二权值函数中的权重值,W(i+1)为调整后的第一权值函数和/或第二权值函数中的权重值,ΔW为权值变化值。
进一步地,根据第一误差信息对隐藏层中第一权值函数和/或第二权值函数中的权重值,用以对初始模型进行迭代处理得到待测试模型,包括:
执行优化迭代调整进程,优化迭代调整进程用于获取优化迭代调整进程当前被执行的迭代次数,根据迭代次数生成优化速率值;及
用于根据预置的优化速率值、第一权值函数中的权重值、第一误差信息,得到第一权值函数的第一权值变化值,根据第一权值变化值调整第一权值函数中的权重值;和/或
用于根据预置的优化速率值、第二权值函数中的权重值、第一误差信息,得到第二权值函数的第二权值变化值,根据第二权值变化值调整第二权值函数中的权重值;
将经过优化迭代调整进程调整后的初始模型或中间模型设为待识别模型,调用待识别模型运算样本信息的历史属性信息得到待识别预测值;
根据待识别预测值与历史分配信息生成更新的第一误差信息;若确定更新的第一误差信息处于训练误差范围,则将待识别模型设为待测试模型;若确定更新的第一误差信息不处于训练误差范围,则将待识别模型设为中间模型,并对中间模型根据更新的第一误差信息执行迭代调整进程。
上述方法是以学习速率k作为系数来控制每次权值的变化值ΔW的大小,k是一个人为设置的常数,但这种方式是通过实验者个人的判断来设置k值的,不同实验者就可能设置出不同的k值,导致实验效果的差异。
本实例中,通过优化函数获取优化迭代调整进程当前被执行的迭代次数,根据迭代次数生成优化速率值g,优化函数如下所示:
其中,g为优化速率值;i为迭代次数,i为正整数;e为自然常数。i为BP神经网络训练的迭代代数,即,因此可得g为一个大于0.01小于0.8的数,这个系数符合常见的学习速率的变化范围。
优化后新的权值变化值ΔW1为:
增加系数g,由指数函数的曲线可知,当迭代代数i较小时,g值变小的速度更快,这样可以加快函数收敛的速度,使权值W更快的逼近期望的值。而当迭代代数i较大时,g的值变化的较小,但也会大于0,使权值W在一个合理的范围内变化。
通过调整函数根据第一权值变化值调整第一权值函数中的权重值,和/或根据第一权值变化值调整第一权值函数中的权重值。调整函数如下所示:
W(i+1)=W(i)+ΔW
其中,W(i)为第一权值函数和/或第二权值函数中的权重值,W(i+1)为调整后的第一权值函数和/或第二权值函数中的权重值,ΔW为权值变化值。
因此,优化后,权值变化值ΔW1的绝对值是随着迭代次数的增加,从大到小变化的,在训练初期,ΔW1的绝对值较大,权值W减小的较快,这样可以加快函数的收敛速度,减少训练的时间。在迭代中后期权值W的变化较小,可以防止最优解被破坏。
这样不仅可以在迭代初期,加快收敛速度、规避掉BP神经网络收敛速度慢的缺点,提高BP神经网络的训练效率,而且能很快的跳出局部最优从而更好的收敛到全局最优,很好的优化BP神经网络容易收敛在局部最优的缺点,并且保证了全面性和合理性。
优选地,通过验证组对待验证模型进行验证处理,包括:
提取验证组中样本信息的历史属性信息,将历史属性信息录入待验证模型的输入层,使历史属性信息在输入层中转为历史属性向量,及将输入层中的历史属性向量输出至待验证模型的隐藏层;
将历史属性向量载入隐藏层中的第一权值函数中,运算第一权值函数得到第一输出值,及调用预置的激活函数对第一输出值进行计算得到激活值;
将激活值载入隐藏层中的第二权重函数中,运算第二权重函数得到第二输出值,及调用激活函数对第二输出值进行计算得到验证预测值;
根据验证预测值和样本信息的历史分配信息得到第二误差信息;若确认第二误差信息处于预置的验证误差范围,则确定待验证模型通过验证处理;若确认第二误差信息不处于预置的验证误差范围,则确定待验证模型未通过验证处理;其中,第二误差信息用于表征验证预测值和历史分配信息之间的差异。
示例性地,提取验证组中样本信息的历史属性信息录入输入层,并在输入层中转为历史属性向量,将输入层中的历史属性向量输出到隐藏层中,并载入隐藏层中的第一权值函数;第一权值函数如下所示:
Z1=W1·x+B1
其中,Z1为第一输出值,W1为第一权值函数中的权重值,B1为预置在第一权值函数中的阈值。
选取ReLu函数作为激活函数,调用ReLu函数对第一输出值进行计算得到激活值;ReLu函数如下所示:
A1=Relu(Z1)
其中,Z1为第一输出值,A1为激活值。
将激活值载入隐藏层中的第二权重函数中,运算第二权重函数得到第二输出值;第二权重函数如下所示:
Z2=W2·A1+B2
其中,Z2为第二输出值,W2为第二权值函数中的权重值,B2为预置在第二权值函数中的阈值,A1为激活值。
调用激活函数对第二输出值进行计算得到验证预测值;如下所示:
y=Relu(Z2)
其中,Z2为第二输出值,y为验证预测值。
调用预置的误差函数根据验证预测值和样本信息的历史分配信息得到第二误差信息,误差函数如下所示:
其中,E为第二误差信息,i表示迭代处理的迭代次数,N表示训练样本的总个数,N为正整数,Zi为第i次第二输出值,ti为历史分配信息。如果E值处于验证误差范围,则确定待验证模型通过验证处理;如果E值不处于验证误差范围,则确定待验证模型未通过验证处理。
优选地,通过测试组对待测试模型进行测试处理,包括:
提取测试组中样本信息的历史属性信息,将历史属性信息录入待测试模型的输入层,使历史属性信息在输入层中转为历史属性向量,及将输入层中的历史属性向量输出至待测试模型的隐藏层;
将历史属性向量载入隐藏层中的第一权值函数中,运算第一权值函数得到第一输出值,及调用预置的激活函数对第一输出值进行计算得到激活值;
将激活值载入隐藏层中的第二权重函数中,运算第二权重函数得到第二输出值,及调用激活函数对第二输出值进行计算得到测试预测值;
根据测试预测值和样本信息的历史分配信息得到第三误差信息;若确认第三误差信息处于预置的测试误差范围,则确定待测试模型通过测试处理;若确认第三误差信息不处于预置的测试误差范围,则确定待测试模型未通过测试处理;其中,第三误差信息用于表征测试预测值和历史分配信息之间的差异。
示例性地,提取测试组中样本信息的历史属性信息录入输入层,并在输入层中转为历史属性向量,将输入层中的历史属性向量输出到隐藏层中,并载入隐藏层中的第一权值函数;第一权值函数如下所示:
Z1=W1·x+B1
其中,Z1为第一输出值,W1为第一权值函数中的权重值,B1为预置在第一权值函数中的阈值。
选取ReLu函数作为激活函数,调用ReLu函数对第一输出值进行计算得到激活值;ReLu函数如下所示:
A1=Relu(Z1)
其中,Z1为第一输出值,A1为激活值。
将激活值载入隐藏层中的第二权重函数中,运算第二权重函数得到第二输出值;第二权重函数如下所示:
Z2=W2·A1+B2
其中,Z2为第二输出值,W2为第二权值函数中的权重值,B2为预置在第二权值函数中的阈值,A1为激活值。
调用激活函数对第二输出值进行计算得到测试预测值;如下所示:
y=Relu(Z2)
其中,Z2为第二输出值,y为测试预测值。
调用预置的误差函数根据测试预测值和样本信息的历史分配信息得到第三误差信息,误差函数如下所示:
其中,E为第三误差信息,i表示迭代处理的迭代次数,N表示训练样本的总个数,N为正整数,Zi为第i次第二输出值,ti为历史分配信息。如果E值处于测试误差范围,则确定待测试模型通过测试处理;如果E值不处于测试误差范围,则确定待测试模型未通过测试处理。
实施例3:
请参阅图4,本申请提供一种资源分配装置1,包括:输入模块11和处理模块12,输入模块11与处理模块12连接;
输入模块11用于获取目标对象的属性信息;其中,属性信息是描述目标对象属性特征的数据信息;
处理模块12用于获取预置的资源分配模型,根据资源分配模型对属性信息进行处理得到资源分配信息;其中,资源分配模型是用于对目标对象的属性信息进行处理,得到资源的分配信息的神经网络模型;资源分配信息是基于目标对象的属性特征,对目标对象分配的资源信息。
实施例4:
为实现上述目的,本申请还提供一种计算机设备5,包括:处理器以及与处理模块通信连接的存储器;存储器存储计算机执行指令;
处理模块执行存储器存储的计算机执行指令,以实现上述的资源分配方法,其中,资源分配装置的组成部分可分散于不同的计算机设备中,计算机设备5可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个应用服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于:可通过系统总线相互通信连接的存储器51、处理器52,如图5所示。需要指出的是,图5仅示出了具有组件-的计算机设备,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。本实施例中,存储器51(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器51可以是计算机设备的内部存储单元,例如该计算机设备的硬盘或内存。在另一些实施例中,存储器51也可以是计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器51还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中,存储器51通常用于存储安装于计算机设备的操作系统和各类应用软件,例如实施例三的资源分配装置的程序代码等。此外,存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。处理器52在一些实施例中可以是中央处理器(CentralProcessing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52通常用于控制计算机设备的总体操作。本实施例中,处理器52用于运行存储器51中存储的程序代码或者处理数据,例如运行资源分配装置,以实现上述实施例的资源分配方法。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器执行本申请各个实施例方法的部分步骤。应理解,上述处理器可以是中央处理单元(Central Processing Unit,简称CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合申请所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
为实现上述目的,本申请还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机执行指令,程序被处理器52执行时实现相应功能。本实施例的计算机可读存储介质用于存储实现资源分配方法的计算机执行指令,被处理器52执行时实现上述实施例的资源分配方法。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本申请提供一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现上述的资源分配方法。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (13)
1.一种资源分配方法,其特征在于,包括:
获取目标对象的属性信息;其中,所述属性信息是描述目标对象属性特征的数据信息;
获取预置的资源分配模型,根据所述资源分配模型对所述属性信息进行处理得到资源分配信息;其中,所述资源分配模型是用于对目标对象的属性信息进行处理,得到资源的分配信息的神经网络模型;所述资源分配信息是基于所述目标对象的属性特征,对所述目标对象分配的资源信息。
2.根据权利要求1所述的资源分配方法,其特征在于,所述资源分配模型的创建方法包括:
获取历史属性信息和历史分配信息;其中,所述历史属性信息是描述分配对象属性特征的数据信息;所述历史分配信息是历史上基于所述属性特征对所述分配对象分配的资源信息;
根据所述历史属性信息和历史分配信息生成训练集合;其中,所述训练集合中具有多个样本信息;
通过所述训练集合对预置的初始模型进行训练以得到所述资源分配模型;其中,所述初始模型是未经训练的神经网络模型。
3.根据权利要求2所述的资源分配方法,其特征在于,所述根据所述历史属性信息和历史分配信息生成训练集合,包括:
汇总一个对象信息对应的历史属性信息和历史分配信息得到样本信息,及汇总多个对象信息的样本信息得到样本集合;其中,所述对象信息是分配对象的唯一性标识;
按照预置的划分比例信息将所述样本集合划分成训练组、测试组和验证组;
汇总所述训练组、所述测试组和所述验证组得到所述训练集合。
4.根据权利要求2所述的资源分配方法,其特征在于,所述通过所述训练集合对预置的初始模型进行训练以得到所述资源分配模型,包括:
提取所述训练集合中的训练组、测试组和验证组;
通过所述训练组对所述初始模型进行训练得到待验证模型;
通过所述验证组对所述待验证模型进行验证处理;若所述待验证模型通过所述验证处理,则将所述待验证模型设为待测试模型;若所述待验证模型未通过所述验证处理,则将所述待验证模型设为验证失败模型;
通过所述测试组对所述待测试模型进行测试处理;若所述待测试模型通过所述测试处理,则将所述待测试模型设为所述资源分配模型;若所述待测试模型未通过所述测试处理,则将所述待测试模型设为测试失败模型。
5.根据权利要求4所述的资源分配方法,其特征在于,所述通过所述训练组对所述初始模型进行训练得到待验证模型,包括:
提取所述训练组中样本信息的历史属性信息,将所述历史属性信息录入所述初始模型的输入层,使所述历史属性信息在所述输入层中转为历史属性向量,及将所述输入层中的历史属性向量输出至所述初始模型的隐藏层;
将所述历史属性向量载入所述隐藏层中的第一权值函数中,运算所述第一权值函数得到第一输出值,及调用预置的激活函数对所述第一输出值进行计算得到激活值;
将所述激活值载入所述隐藏层中的第二权重函数中,运算所述第二权重函数得到第二输出值,及调用所述激活函数对所述第二输出值进行计算得到预测值;
根据所述预测值和所述样本信息的历史分配信息得到第一误差信息,根据所述第一误差信息对所述隐藏层中第一权值函数和/或第二权值函数中的权重值,用以对所述初始模型进行迭代处理得到待测试模型;其中,所述待测试模型是能够根据所述样本信息生成的第一误差信息处于预置的训练误差范围的神经网络模型;其中,所述第一误差信息用于表征所述预测值和所述历史分配信息之间的差异。
6.根据权利要求5所述的资源分配方法,其特征在于,所述根据所述第一误差信息对所述隐藏层中第一权值函数和/或第二权值函数中的权重值,用以对所述初始模型进行迭代处理得到待测试模型,包括:
执行迭代调整进程,所述迭代调整进程用于根据预置的学习速率值、所述第一权值函数中的权重值、所述第一误差信息,得到所述第一权值函数的第一权值变化值,根据所述第一权值变化值调整所述第一权值函数中的权重值;和/或
用于根据预置的学习速率值、所述第二权值函数中的权重值、所述第一误差信息,得到所述第二权值函数的第二权值变化值,根据所述第二权值变化值调整所述第二权值函数中的权重值;
将经过所述迭代调整进程调整后的初始模型或中间模型设为待识别模型,调用所述待识别模型运算所述样本信息的历史属性信息得到待识别预测值;
根据所述待识别预测值与所述历史分配信息生成更新的第一误差信息;若确定所述更新的第一误差信息处于所述训练误差范围,则将所述待识别模型设为所述待测试模型;若确定所述更新的第一误差信息不处于所述训练误差范围,则将所述待识别模型设为所述中间模型,并对所述中间模型根据更新的第一误差信息执行所述迭代调整进程。
7.根据权利要求5所述的资源分配方法,其特征在于,所述根据所述第一误差信息对所述隐藏层中第一权值函数和/或第二权值函数中的权重值,用以对所述初始模型进行迭代处理得到待测试模型,包括:
执行优化迭代调整进程,所述优化迭代调整进程用于获取所述优化迭代调整进程当前被执行的迭代次数,根据所述迭代次数生成优化速率值;及
用于根据预置的优化速率值、所述第一权值函数中的权重值、所述第一误差信息,得到所述第一权值函数的第一权值变化值,根据所述第一权值变化值调整所述第一权值函数中的权重值;和/或
用于根据预置的优化速率值、所述第二权值函数中的权重值、所述第一误差信息,得到所述第二权值函数的第二权值变化值,根据所述第二权值变化值调整所述第二权值函数中的权重值;
将经过所述优化迭代调整进程调整后的初始模型或中间模型设为待识别模型,调用所述待识别模型运算所述样本信息的历史属性信息得到待识别预测值;
根据所述待识别预测值与所述历史分配信息生成更新的第一误差信息;若确定所述更新的第一误差信息处于所述训练误差范围,则将所述待识别模型设为所述待测试模型;若确定所述更新的第一误差信息不处于所述训练误差范围,则将所述待识别模型设为所述中间模型,并对所述中间模型根据更新的第一误差信息执行所述迭代调整进程。
8.根据权利要求4所述的资源分配方法,其特征在于,所述通过所述验证组对所述待验证模型进行验证处理,包括:
提取所述验证组中样本信息的历史属性信息,将所述历史属性信息录入所述待验证模型的输入层,使所述历史属性信息在所述输入层中转为历史属性向量,及将所述输入层中的历史属性向量输出至所述待验证模型的隐藏层;
将所述历史属性向量载入所述隐藏层中的第一权值函数中,运算所述第一权值函数得到第一输出值,及调用预置的激活函数对所述第一输出值进行计算得到激活值;
将所述激活值载入所述隐藏层中的第二权重函数中,运算所述第二权重函数得到第二输出值,及调用所述激活函数对所述第二输出值进行计算得到验证预测值;
根据所述验证预测值和所述样本信息的历史分配信息得到第二误差信息;若确认所述第二误差信息处于预置的验证误差范围,则确定所述待验证模型通过所述验证处理;若确认所述第二误差信息不处于预置的验证误差范围,则确定所述待验证模型未通过所述验证处理;其中,所述第二误差信息用于表征所述验证预测值和所述历史分配信息之间的差异。
9.根据权利要求4所述的资源分配方法,其特征在于,所述通过所述测试组对所述待测试模型进行测试处理,包括:
提取所述测试组中样本信息的历史属性信息,将所述历史属性信息录入所述待测试模型的输入层,使所述历史属性信息在所述输入层中转为历史属性向量,及将所述输入层中的历史属性向量输出至所述待测试模型的隐藏层;
将所述历史属性向量载入所述隐藏层中的第一权值函数中,运算所述第一权值函数得到第一输出值,及调用预置的激活函数对所述第一输出值进行计算得到激活值;
将所述激活值载入所述隐藏层中的第二权重函数中,运算所述第二权重函数得到第二输出值,及调用所述激活函数对所述第二输出值进行计算得到测试预测值;
根据所述测试预测值和所述样本信息的历史分配信息得到第三误差信息;若确认所述第三误差信息处于预置的测试误差范围,则确定所述待测试模型通过所述测试处理;若确认所述第三误差信息不处于预置的测试误差范围,则确定所述待测试模型未通过所述测试处理;其中,所述第三误差信息用于表征所述测试预测值和所述历史分配信息之间的差异。
10.一种资源分配装置,其特征在于,包括:输入模块和处理模块,所述输入模块与所述处理模块连接;
所述输入模块用于获取目标对象的属性信息;其中,所述属性信息是描述目标对象属性特征的数据信息;
所述处理模块用于获取预置的资源分配模型,根据所述资源分配模型对所述属性信息进行处理得到资源分配信息;其中,所述资源分配模型是用于对目标对象的属性信息进行处理,得到资源的分配信息的神经网络模型;所述资源分配信息是基于所述目标对象的属性特征,对所述目标对象分配的资源信息。
11.一种计算机设备,其特征在于,包括:处理器,以及与所述处理模块通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理模块执行所述存储器存储的计算机执行指令,以实现如权利要求1至9任一项所述资源分配方法中任一项所述的资源分配方法。
12.一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中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至9任一项所述的资源分配方法。
13.一种计算机程序产品,其特征在于,包括:计算机程序,该计算机程序被处理器执行时实现权利要求1-9中任一项所述的资源分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211641051.3A CN115796548A (zh) | 2022-12-20 | 2022-12-20 | 一种资源分配方法、装置、计算机设备、存储介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211641051.3A CN115796548A (zh) | 2022-12-20 | 2022-12-20 | 一种资源分配方法、装置、计算机设备、存储介质及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115796548A true CN115796548A (zh) | 2023-03-14 |
Family
ID=85427332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211641051.3A Pending CN115796548A (zh) | 2022-12-20 | 2022-12-20 | 一种资源分配方法、装置、计算机设备、存储介质及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115796548A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077587A (zh) * | 2023-10-16 | 2023-11-17 | 北京汤谷软件技术有限公司 | 一种电路设计的资源预测方法、装置及设备 |
-
2022
- 2022-12-20 CN CN202211641051.3A patent/CN115796548A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077587A (zh) * | 2023-10-16 | 2023-11-17 | 北京汤谷软件技术有限公司 | 一种电路设计的资源预测方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105718490A (zh) | 一种用于更新分类模型的方法及装置 | |
CN112270547A (zh) | 基于特征构造的金融风险评估方法、装置和电子设备 | |
US8775338B2 (en) | Computer-implemented systems and methods for constructing a reduced input space utilizing the rejected variable space | |
KR102410777B1 (ko) | 상품 추천 방식 개선 방법 및 장치 | |
US20160004984A1 (en) | Service oriented architecture optimization system and method | |
US11604994B2 (en) | Explainable machine learning based on heterogeneous data | |
US20210374582A1 (en) | Enhanced Techniques For Bias Analysis | |
US20200151574A1 (en) | Computer-readable recording medium having stored therein learning program, learning method, and learning apparatus | |
CN113918884A (zh) | 业务量预测模型构建方法和业务量预测方法 | |
CN113177700B (zh) | 一种风险评估方法、系统、电子设备及存储介质 | |
CN115564152A (zh) | 基于stirpat模型的碳排放量预测方法及装置 | |
CN115796548A (zh) | 一种资源分配方法、装置、计算机设备、存储介质及产品 | |
JP2016522933A (ja) | 債務不履行となる企業の蓋然性の計算 | |
CN114782201A (zh) | 股票推荐方法、装置、计算机设备和存储介质 | |
US20210192361A1 (en) | Intelligent data object generation and assignment using artificial intelligence techniques | |
US20200097439A1 (en) | Systems and methods for improving the interpretability and transparency of machine learning models | |
CN108604313B (zh) | 自动化的预测性建模与框架 | |
WO2023134072A1 (zh) | 违约预测模型的生成方法、装置、设备及存储介质 | |
Berteloot et al. | A novel credit rating migration modeling approach using macroeconomic indicators | |
CN113298120B (zh) | 基于融合模型的用户风险预测方法、系统和计算机设备 | |
JP2023516035A (ja) | ランダムフォレスト分類器を用いて、さまざまな時間特性を有するデータを処理してマネジメントアレンジメントに関する予測を生成する方法およびシステム | |
CN111160929A (zh) | 一种客户类型的确定方法及装置 | |
US20230419098A1 (en) | Utilizing selective transformation and replacement with high-dimensionality projection layers to implement neural networks in tabular data environments | |
US20230060245A1 (en) | System and method for automated account profile scoring on customer relationship management platforms | |
Kraus et al. | Credit scoring optimization using the area under the curve |
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 |