CN116166920A - 一种业务对象分析方法、装置、设备和存储介质 - Google Patents
一种业务对象分析方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN116166920A CN116166920A CN202310217512.2A CN202310217512A CN116166920A CN 116166920 A CN116166920 A CN 116166920A CN 202310217512 A CN202310217512 A CN 202310217512A CN 116166920 A CN116166920 A CN 116166920A
- Authority
- CN
- China
- Prior art keywords
- attribute
- business
- matrix
- target
- analysis
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种业务对象分析方法、装置、设备和存储介质,其中,方法包括:获取目标业务对象的预设业务属性信息,并对所述预设业务属性信息进行预处理,得到目标业务属性矩阵;将所述目标业务属性矩阵输入至经过预先训练的目标业务属性分析模型,得到对应的业务分析结果,完成对所述目标业务对象的分析过程;其中,所述目标业务属性分析模型包括全局池化层,所述全局池化层与Softmax分类器相连。本发明实施例的技术方案解决了现有技术基于传统神经网络进行业务对象分析时的数据计算量较大,分析速率不足的问题,可以降低数据计算量,提高业务对象分析速率。
Description
技术领域
本发明实施例涉及数据分析技术领域,尤其涉及一种业务对象分析方法、装置、设备和存储介质。
背景技术
对业务对象的分析有利于提升银行业务能力,传统的业务对象分析方法通常是基于训练好的神经网络对业务对象数据进行分析,进而得到业务对象分析结果。传统的神经网络进行数据分析时的数据计算量较大,分析速率有待提升。
发明内容
本发明实施例提供了一种业务对象分析方法、装置、设备和存储介质,可以降低数据计算量,提高业务对象分析速率。
第一方面,本发明实施例提供了一种业务对象分析方法,该方法包括:
获取目标业务对象的预设业务属性信息,并对所述预设业务属性信息进行预处理,得到目标业务属性矩阵;
将所述目标业务属性矩阵输入至经过预先训练的目标业务属性分析模型,得到对应的业务分析结果,完成对所述目标业务对象的分析过程;
其中,所述目标业务属性分析模型包括全局池化层,所述全局池化层与Softmax分类器相连。
第二方面,本发明实施例提供了一种业务对象分析装置,该装置包括:
业务属性预处理模块,用于获取目标业务对象的预设业务属性信息,并对所述预设业务属性信息进行预处理,得到目标业务属性矩阵;
业务属性分析模块,用于将所述目标业务属性矩阵输入至经过预先训练的目标业务属性分析模型,得到对应的业务分析结果,完成对所述目标业务对象的分析过程;
其中,所述目标业务属性分析模型包括全局池化层,所述全局池化层与Softmax分类器相连。
第三方面,本发明实施例提供了一种计算机设备,该计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现任一实施例所述的业务对象分析方法。
第四方面,本发明实施例提供了一种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任一实施例所述的业务对象分析方法。
本发明实施例所提供的技术方案,通过获取目标业务对象的预设业务属性信息,并对所述预设业务属性信息进行预处理,得到目标业务属性矩阵;将所述目标业务属性矩阵输入至经过预先训练的目标业务属性分析模型,得到对应的业务分析结果,完成对所述目标业务对象的分析过程;其中,所述目标业务属性分析模型包括全局池化层,所述全局池化层与Softmax分类器相连。本发明实施例的技术方案解决了现有技术基于传统神经网络进行业务对象分析时的数据计算量较大,分析速率不足的问题,可以降低数据计算量,提高业务对象分析速率。
附图说明
图1是本发明实施例提供的一种业务对象分析方法流程图;
图2是本发明实施例提供的一种业务对象分析方法流程图;
图3是本发明实施例提供的一种目标业务属性分析模型的结构示意图;
图4是本发明实施例提供的一种矩阵属性特征提取的方法流程图;
图5是本发明实施例提供的一种矩阵局部池化处理的方法流程图;
图6是本发明实施例提供的一种矩阵局部池化处理的方法流程图;
图7是本发明实施例提供的一种业务对象分析装置的结构示意图;
图8是本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明实施例提供的一种业务对象分析方法流程图,本发明实施例可适用于对业务对象进行数据分析的场景中,该方法可以由业务对象分析装置执行,该装置可以由软件和/或硬件的方式来实现。本发明实施例的技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
如图1所示,业务对象分析方法包括以下步骤:
S110、获取目标业务对象的预设业务属性信息,并对所述预设业务属性信息进行预处理,得到目标业务属性矩阵。
其中,目标业务对象可以是需要进行业务数据分析的对象,例如,目标业务对象可以是内部工作人员或者与银行有业务往来的客户;预设业务属性信息可以是预先设置的目标业务对象的一项或者多项业务属性信息,通过对预设业务属性信息进行数据分析可以得到目标业务对象的业务分析结果,有助于银行根据业务分析结果更好的推动相关业务的开展。目标业务属性矩阵可以是进行数据预处理后的预设业务属性信息,具体的,可以将预设业务属性信息中非离散型数据转换为离散型数据,得到目标业务属性矩阵。由于预设业务属性信息中存在文字类型或者连续型数据等不利于数据分析的数据类型,通过预处理后可以将预设业务属性信息中非离散型数据转换为离散型数据,便于后续的数据分析。
S120、将所述目标业务属性矩阵输入至经过预先训练的目标业务属性分析模型,得到对应的业务分析结果,完成对所述目标业务对象的分析过程。
其中,目标业务属性分析模型可以是对目标业务属性矩阵进行数据分析的模型,将目标业务属性矩阵输入至目标业务属性分析模型中后,可以得到对应的业务分析结果。具体的,目标业务属性分析模型包括卷积层、局部池化层、全局池化层和softmax分类器,各层分别对输入的数据进行相应的数据处理,Softmax分类器再根据最终处理后的数据进行分析,得到业务分析结果,全局池化层与Softmax分类器相连。
其中,卷积层可以对目标业务属性矩阵进行属性特征提取并输出,局部池化层再对卷积层输出的矩阵进行的各个局部区域进行池化处理并输出,全局池化层对局部池化层输出的矩阵的全局区域进行池化处理并输出,Softmax分类器对全局池化层输出的矩阵进行数值分析,确定对应的业务分析结果。目标业务属性分析模型在传统神经网络模型基础上加入了全局池化层,目标业务属性分析模型通过对矩阵的局部池化处理和全局池化处理,可以分步平稳的降低矩阵的维数,降低数据分析计算量,在保证业务对象分析高精度的同时,提高业务对象分析速率。
本发明实施例所提供的技术方案,通过获取目标业务对象的预设业务属性信息,并对预设业务属性信息进行预处理,得到目标业务属性矩阵;将目标业务属性矩阵输入至经过预先训练的目标业务属性分析模型,得到对应的业务分析结果,完成对目标业务对象的分析过程;其中,目标业务属性分析模型包括全局池化层,全局池化层与Softmax分类器相连。本发明实施例的技术方案解决了现有技术基于传统神经网络进行业务对象分析时的数据计算量较大,分析速率不足的问题,可以降低数据计算量,提高业务对象分析速率。
图2是本发明实施例提供的一种业务对象分析方法流程图,本发明实施例可适用于对业务对象进行数据分析的场景中,本实施例在上述实施例的基础上,进一步的说明如何获取目标业务对象的预设业务属性信息,并对预设业务属性信息进行预处理,得到目标业务属性矩阵,以及如何对目标业务属性矩阵进行分析,得到对应的业务分析结果,该装置可以由软件和/或硬件的方式来实现,集成于具有应用开发功能的计算机设备中。本发明实施例的技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
如图2所示,业务对象分析方法包括以下步骤:
S210、获取目标业务对象的预设业务属性信息,并将所述预设业务属性信息中非离散型数据转换为离散型数据,得到目标业务属性矩阵。
其中,目标业务对象可以是需要进行业务数据分析的对象,例如,目标业务对象可以是内部工作人员或者与银行有业务往来的客户;预设业务属性信息可以是预先设置的目标业务对象的一项或者多项业务属性信息,通过对预设业务属性信息进行数据分析可以得到目标业务对象的业务分析结果,有助于银行根据业务分析结果更好的推动相关业务的开展。目标业务属性矩阵可以是进行数据预处理后的预设业务属性信息,具体的,可以将预设业务属性信息中非离散型数据转换为离散型数据,得到目标业务属性矩阵。由于预设业务属性信息中存在文字类型或者连续型数据等不利于数据分析的数据类型,通过预处理后可以将预设业务属性信息中非离散型数据转换为离散型数据,便于后续的数据分析。
S220、基于目标业务属性分析模型中的卷积层对所述目标业务属性矩阵进行属性特征提取,得到目标业务属性节点矩阵。
其中,目标业务属性分析模型可以是对目标业务属性矩阵进行数据分析的模型,将目标业务属性矩阵输入至目标业务属性分析模型中后,可以得到对应的业务分析结果。具体的,目标业务属性分析模型包括卷积层、局部池化层、全局池化层和softmax分类器,各层分别对输入的数据进行相应的数据处理,Softmax分类器再根据最终处理后的数据进行分析,得到业务分析结果,其中,全局池化层与Softmax分类器相连。
示例性的,图3是本发明实施例提供的一种目标业务属性分析模型的结构示意图,其中,“Pool1”表示卷积层,“Pool2”表示局部池化层,“Global Pool”表示全局池化层。如图3所示,数据输入目标业务属性分析模型后,依次经过卷积层、局部池化层、全局池化层进行处理,最后通过softmax分类器对处理后的数据进行分析并输出分析结果。
在一种可选实施方式中,目标业务属性分析模型的训练过程,包括:将预先标记有业务分析结果标签的预设业务属性信息作为模型训练样本,输入到初始业务属性分析模型中,得到对应的业务分析结果;基于业务分析结果与预先标记的业务分析结果标签的对比分析结果,调整初始业务属性分析模型的参数值,得到目标业务属性分析模型。具体的,可以基于梯度下降法的反向传播调整初始业务属性分析模型的参数值,当模型的代价函数接近于一个较小稳定值且基本维持不变时,表明模型基本收敛,结束模型训练过程,将训练好的模型作为目标业务属性分析模型。
当目标业务属性矩阵输入至目标业务属性分析模型后,目标业务属性分析模型中的卷积层会首先对目标业务属性矩阵进行属性特征提取,将目标业务属性矩阵中的简单特征中提取出更为复杂的特征,得到目标业务属性节点矩阵。具体的,可以利用卷积核对目标业务属性矩阵进行卷积,得到目标业务属性节点矩阵,卷积核是输入到卷积层中矩阵大小的其中一块小区域,这个区域的尺寸就是卷积核的大小,比较常见的有3×3、5×5,它定义了权值,输出矩阵的每个值就是由输入矩阵和卷积核加权平均得到的。
示例性的,图4是本发明实施例提供的一种矩阵属性特征提取的方法流程图,如图4所示,输入矩阵大为5×5矩阵,卷积核大小为3×3,步长为1,通过属性特征提取后得到大小为3×3的节点矩阵。
S230、基于所述目标业务属性分析模型中的局部池化层对所述目标业务属性节点矩阵进行局部池化处理,得到目标业务属性局部池化矩阵。
其中,局部池化处理可以是一种降低数据维数的数据处理方式,通过局部池化处理可以降低目标业务属性节点矩阵的各个局部区域的维数,进而降低目标业务属性节点矩阵的维数,降低后续数据处理的计算量,有助于提高业务对象分析速率。目标业务属性局部池化矩阵也即对目标业务属性节点矩阵进行局部池化处理后得到的矩阵。
具体的,可以根据预先设置的局部池化尺寸和局部池化步长确定目标业务属性节点矩阵的各个局部池化区域;分别对各个局部池化区域进行池化处理,得到目标业务属性局部池化矩阵。其中,局部池化尺寸和局部池化步长可以是小于目标业务属性节点矩阵维数的两个数值,通过局部池化尺寸和局部池化步长可以将目标业务属性节点矩阵划分为多个子矩阵,也即局部池化区域。进一步的,池化处理可以是一种降低矩阵维维数的数据处理方法,常见的池化处理方法包括最大池化法和平均池化法,其中,最大池化法是在矩阵中选取数值最大值进行输出,而平均池化法是将矩阵中所有数值的平均值进行输出,本方法实施例可以选择最大池化法或平均池化法作为池化处理的方法,此处不进行限定。
示例性的,图5是本发明实施例提供的一种矩阵局部池化处理的方法流程图,如图5所示,输入矩阵大小为4×4,卷积核大小为2×2,步长为2,通过最大池化后可以得到大小为2×2的矩阵。
S240、基于所述全局池化层对所述目标业务属性局部池化矩阵进行全局池化处理,得到目标业务属性全局池化矩阵。
其中,全局池化处理也是一种降低数据维数的数据处理方式,通过全局池化处理可以降低目标业务属性局部池化矩阵整个局部区域的维数,进一步降低后续数据处理的计算量,提高业务对象分析速率。目标业务属性全局池化矩阵也即对目标业务属性节点矩阵进行全局池化处理后得到的矩阵,目标业务属性全局池化矩阵为一维矩阵。
具体的,可以将目标业务属性局部池化矩阵输入至全局池化层,基于全局池化层对目标业务属性池化矩阵的整个区域进行池化处理,得到目标业务属性全局池化矩阵。目标业务属性分析模型在传统神经网络模型基础上加入了全局池化层,通过局部池化处理和全局池化处理可以分步平稳的降低待处理矩阵的维数,在提高业务对象分析速率的同时保证业务对象分析的高精度。
图6是本发明实施例提供的一种矩阵局部池化处理的方法流程图,如图6所示,输入矩阵大小为4×4,矩阵局部池化处理即对输入矩阵的各个数值进行对比,并将最大值作为矩阵局部池化处理的输出,最后的输出值为9。
S250、基于Softmax分类器对所述目标业务属性全局池化矩阵进行数值分析,确定所述业务分析结果。
其中,Softmax分类器可以是目标业务属性分析模型中的分析结果输出层,Softmax分类器可以通过目标业务属性全局池化矩阵进行数值分析,得到预设业务属性信息对应的业务分析结果。
具体的,可以将目标业务属性全局池化矩阵中的数值与预设参考属性分析阈值进行对比,并基于数值对比结果确定业务分析结果。其中,预设参考属性分析阈值预设的对业务属性信息进行分类的参考阈值,设参考属性分析阈值的数量和大小可以进行预先设置,通过目标业务属性全局池化矩阵中的数值与预设参考属性分析阈值的对比结果可以确定相应的分类结果,也即业务分析结果。示例性的,当预设业务属性信息为一个且预设参考属性分析阈值为一个时,目标业务属性全局池化矩阵为1×1维的矩阵,也即目标业务属性全局池化矩阵为一个数值,可以将该数值与预设参考属性分析阈值进行对比,当该数值大于预设参考属性分析阈值时,确定业务分析结果为类别一,当该数值小于预设参考属性分析阈值时,确定业务分析结果为类别二。
本发明实施例所提供的技术方案,通过获取目标业务对象的预设业务属性信息,并将预设业务属性信息中非离散型数据转换为离散型数据,得到目标业务属性矩阵;基于目标业务属性分析模型中的卷积层对目标业务属性矩阵进行属性特征提取,得到目标业务属性节点矩阵;基于目标业务属性分析模型中的局部池化层对目标业务属性节点矩阵进行局部池化处理,得到目标业务属性局部池化矩阵;基于全局池化层对目标业务属性局部池化矩阵进行全局池化处理,得到目标业务属性全局池化矩阵;基于Softmax分类器对目标业务属性全局池化矩阵进行数值分析,确定业务分析结果。本发明实施例的技术方案解决了现有技术基于传统神经网络进行业务对象分析时的数据计算量较大,分析速率不足的问题,可以降低数据计算量,提高业务对象分析速率。
图7是本发明实施例提供的一种业务对象分析装置的结构示意图,本发明实施例可适用于对业务对象进行数据分析的场景中,该装置可以由软件和/或硬件的方式来实现,集成于具有应用开发功能的计算机设备中。
如图7所示,业务对象分析装置包括:业务属性预处理模块310、业务属性分析模块320。
其中业务属性预处理模块310,用于获取目标业务对象的预设业务属性信息,并对预设业务属性信息进行预处理,得到目标业务属性矩阵;业务属性分析模块320,用于将目标业务属性矩阵输入至经过预先训练的目标业务属性分析模型,得到对应的业务分析结果,完成对目标业务对象的分析过程;其中,目标业务属性分析模型包括全局池化层,全局池化层与Softmax分类器相连。
本发明实施例所提供的技术方案,通过获取目标业务对象的预设业务属性信息,并对预设业务属性信息进行预处理,得到目标业务属性矩阵;将目标业务属性矩阵输入至经过预先训练的目标业务属性分析模型,得到对应的业务分析结果,完成对目标业务对象的分析过程;其中,目标业务属性分析模型包括全局池化层,全局池化层与Softmax分类器相连。本发明实施例的技术方案解决了现有技术基于传统神经网络进行业务对象分析时的数据计算量较大,分析速率不足的问题,可以降低数据计算量,提高业务对象分析速率。
在一种可选的实施方式中,业务属性分析模块320具体用于:基于目标业务属性分析模型中的卷积层对目标业务属性矩阵进行属性特征提取,得到目标业务属性节点矩阵;基于目标业务属性分析模型中的局部池化层对目标业务属性节点矩阵进行局部池化处理,得到目标业务属性局部池化矩阵;基于全局池化层对目标业务属性局部池化矩阵进行全局池化处理,得到目标业务属性全局池化矩阵;基于Softmax分类器对目标业务属性全局池化矩阵进行数值分析,确定业务分析结果。
在一种可选的实施方式中,业务属性分析模块320具体用于:根据预先设置的局部池化尺寸和局部池化步长确定目标业务属性节点矩阵的各个局部池化区域;分别对各个局部池化区域进行池化处理,得到目标业务属性局部池化矩阵。
在一种可选的实施方式中,业务属性分析模块320具体用于:将目标业务属性局部池化矩阵输入至全局池化层;基于全局池化层对目标业务属性池化矩阵的整个区域进行池化处理,得到目标业务属性全局池化矩阵。
在一种可选的实施方式中,业务属性预处理模块310具体用于:将预设业务属性信息中非离散型数据转换为离散型数据,得到目标业务属性矩阵。
在一种可选的实施方式中,业务属性分析模块320具体用于:将目标业务属性全局池化矩阵中的数值与预设参考属性分析阈值进行对比,并基于数值对比结果确定业务分析结果。
在一种可选的实施方式中,业务对象分析装置还包括:目标业务属性分析模型训练模块,用于:将预先标记有业务分析结果标签的预设业务属性信息作为模型训练样本,输入到初始业务属性分析模型中,得到对应的业务分析结果;基于业务分析结果与预先标记的业务分析结果标签的对比分析结果,调整初始业务属性分析模型的参数值,得到目标业务属性分析模型。
本发明实施例所提供的业务对象分析装置可执行本发明任意实施例所提供的业务对象分析方法,具备执行方法相应的功能模块和有益效果。
图8为本发明实施例提供的一种计算机设备的结构示意图。图8示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图8显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。计算机设备12可以任意具有计算能力的终端设备,可以与配置于业务对象分析设备中。
如图8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可以是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(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(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。
系统存储器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(RAM)30和/或高速缓存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8未显示,通常称为“硬盘驱动器”)。尽管图8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CD-ROM,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。系统存储器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发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如系统存储器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通常执行本发明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(LAN),广域网(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8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,例如实现本发实施例所提供的业务对象分析方法,该方法包括:
获取目标业务对象的预设业务属性信息,并对所述预设业务属性信息进行预处理,得到目标业务属性矩阵;
将所述目标业务属性矩阵输入至经过预先训练的目标业务属性分析模型,得到对应的业务分析结果,完成对所述目标业务对象的分析过程;
其中,所述目标业务属性分析模型包括全局池化层,所述全局池化层与Softmax分类器相连。
本实施例提供了一种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本发明任意实施例所提供的业务对象分析方法,包括:
获取目标业务对象的预设业务属性信息,并对所述预设业务属性信息进行预处理,得到目标业务属性矩阵;
将所述目标业务属性矩阵输入至经过预先训练的目标业务属性分析模型,得到对应的业务分析结果,完成对所述目标业务对象的分析过程;
其中,所述目标业务属性分析模型包括全局池化层,所述全局池化层与Softmax分类器相连。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种业务对象分析方法,其特征在于,所述方法包括:
获取目标业务对象的预设业务属性信息,并对所述预设业务属性信息进行预处理,得到目标业务属性矩阵;
将所述目标业务属性矩阵输入至经过预先训练的目标业务属性分析模型,得到对应的业务分析结果,完成对所述目标业务对象的分析过程;
其中,所述目标业务属性分析模型包括全局池化层,所述全局池化层与Softmax分类器相连。
2.根据权利要求1所述的方法,其特征在于,所述将所述目标业务属性矩阵输入至经过预先训练的目标业务属性分析模型,得到对应的业务分析结果,包括:
基于所述目标业务属性分析模型中的卷积层对所述目标业务属性矩阵进行属性特征提取,得到目标业务属性节点矩阵;
基于所述目标业务属性分析模型中的局部池化层对所述目标业务属性节点矩阵进行局部池化处理,得到目标业务属性局部池化矩阵;
基于所述全局池化层对所述目标业务属性局部池化矩阵进行全局池化处理,得到目标业务属性全局池化矩阵;
基于所述Softmax分类器对所述目标业务属性全局池化矩阵进行数值分析,确定所述业务分析结果。
3.根据权利要求2所述的方法,其特征在于,所述对所述目标业务属性节点矩阵进行局部池化处理,得到目标业务属性局部池化矩阵,包括:
根据预先设置的局部池化尺寸和局部池化步长确定所述目标业务属性节点矩阵的各个局部池化区域;
分别对各个所述局部池化区域进行池化处理,得到所述目标业务属性局部池化矩阵。
4.根据权利要求2所述的方法,所述基于所述全局池化层对所述目标业务属性局部池化矩阵进行全局池化处理,得到目标业务属性全局池化矩阵,包括:
将所述目标业务属性局部池化矩阵输入至所述全局池化层;
基于所述全局池化层对所述目标业务属性池化矩阵的整个区域进行池化处理,得到所述目标业务属性全局池化矩阵。
5.根据权利要求1所述的方法,其特征在于,所述对所述预设业务属性信息进行预处理,得到目标业务属性矩阵,包括:
将所述预设业务属性信息中非离散型数据转换为离散型数据,得到所述目标业务属性矩阵。
6.根据权利要求2所述的方法,其特征在于,所述对所述目标业务属性全局池化矩阵进行数值分析,确定所述业务分析结果,包括:
将所述目标业务属性全局池化矩阵中的数值与预设参考属性分析阈值进行对比,并基于数值对比结果确定所述业务分析结果。
7.根据权利要求1所述的方法,其特征在于,所述目标业务属性分析模型的训练过程,包括:
将预先标记有业务分析结果标签的预设业务属性信息作为模型训练样本,输入到初始业务属性分析模型中,得到对应的业务分析结果;
基于业务分析结果与预先标记的所述业务分析结果标签的对比分析结果,调整所述初始业务属性分析模型的参数值,得到所述目标业务属性分析模型。
8.一种业务对象分析装置,其特征在于,所述装置包括:
业务属性预处理模块,用于获取目标业务对象的预设业务属性信息,并对所述预设业务属性信息进行预处理,得到目标业务属性矩阵;
业务属性分析模块,用于将所述目标业务属性矩阵输入至经过预先训练的目标业务属性分析模型,得到对应的业务分析结果,完成对所述目标业务对象的分析过程;
其中,所述目标业务属性分析模型包括全局池化层,所述全局池化层与Softmax分类器相连。
9.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的业务对象分析方法。
10.一种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1-7中任一所述的业务对象分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310217512.2A CN116166920A (zh) | 2023-03-03 | 2023-03-03 | 一种业务对象分析方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310217512.2A CN116166920A (zh) | 2023-03-03 | 2023-03-03 | 一种业务对象分析方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116166920A true CN116166920A (zh) | 2023-05-26 |
Family
ID=86420064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310217512.2A Pending CN116166920A (zh) | 2023-03-03 | 2023-03-03 | 一种业务对象分析方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116166920A (zh) |
-
2023
- 2023-03-03 CN CN202310217512.2A patent/CN116166920A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113326764B (zh) | 训练图像识别模型和图像识别的方法和装置 | |
CN109002510B (zh) | 一种对话处理方法、装置、设备和介质 | |
CN112633419B (zh) | 小样本学习方法、装置、电子设备和存储介质 | |
CN110633991A (zh) | 风险识别方法、装置和电子设备 | |
CN111368878B (zh) | 一种基于ssd目标检测的优化方法、计算机设备和介质 | |
CN111950279B (zh) | 实体关系的处理方法、装置、设备及计算机可读存储介质 | |
CN109947924B (zh) | 对话系统训练数据构建方法、装置、电子设备及存储介质 | |
CN113064964A (zh) | 文本分类方法、模型训练方法、装置、设备以及存储介质 | |
CN113434683A (zh) | 文本分类方法、装置、介质及电子设备 | |
CN110781849A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN113051911B (zh) | 提取敏感词的方法、装置、设备、介质及程序产品 | |
CN113486178B (zh) | 文本识别模型训练方法、文本识别方法、装置以及介质 | |
CN107729944B (zh) | 一种低俗图片的识别方法、装置、服务器及存储介质 | |
CN114065915A (zh) | 网络模型的构建方法、数据处理方法、装置、介质及设备 | |
US20230290126A1 (en) | Method for training roi detection model, method for detecting roi, device, and medium | |
CN115273148A (zh) | 行人重识别模型训练方法、装置、电子设备及存储介质 | |
CN113450764B (zh) | 文本语音识别方法、装置、设备及存储介质 | |
CN113361621B (zh) | 用于训练模型的方法和装置 | |
CN115049546A (zh) | 样本数据处理方法、装置、电子设备及存储介质 | |
CN115116080A (zh) | 表格解析方法、装置、电子设备和存储介质 | |
CN114119972A (zh) | 模型获取及对象处理方法、装置、电子设备及存储介质 | |
CN114842541A (zh) | 模型的训练及人脸识别方法、装置、设备以及存储介质 | |
CN116166920A (zh) | 一种业务对象分析方法、装置、设备和存储介质 | |
CN110059180B (zh) | 文章作者身份识别及评估模型训练方法、装置及存储介质 | |
CN113591709A (zh) | 动作识别方法、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 |