CN116562974A - 对象识别方法、装置、电子设备及存储介质 - Google Patents
对象识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116562974A CN116562974A CN202310539694.5A CN202310539694A CN116562974A CN 116562974 A CN116562974 A CN 116562974A CN 202310539694 A CN202310539694 A CN 202310539694A CN 116562974 A CN116562974 A CN 116562974A
- Authority
- CN
- China
- Prior art keywords
- service data
- target feature
- data
- identified
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000015654 memory Effects 0.000 claims abstract description 36
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000007787 long-term memory Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000009795 derivation Methods 0.000 description 8
- 238000013145 classification model Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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
- G06Q40/03—Credit; Loans; Processing thereof
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种对象识别方法、装置、电子设备及存储介质,可以应用于计算机技术领域和人工智能技术领域。该对象识别方法包括:根据被推荐产品的产品属性,确定与待识别对象相关的第一业务数据和第二业务数据;利用长短期记忆网络对第一业务数据进行特征提取,得到第一目标特征;对第二业务数据进行数值映射,得到第二目标特征;根据第一目标特征和第二目标特征,得到与待识别对象对应的识别结果。
Description
技术领域
本公开涉及计算机技术领域和人工智能技术领域,尤其涉及一种对象识别方法、装置、电子设备及存储介质。
背景技术
在当前经济发展环境下,如何识别出有贷款需求的用户,同时,保障借贷资金的回款安全,成为金融机构当下亟待解决的问题。
现有技术,通常利用聚类分析、评分卡模型、逻辑回归等模型等对与用户相关的数据进行分析,筛选出目标用户。
在实现本公开构思的过程中,发明人发现相关技术中至少存在如下问题:金融机构在向用户推荐金融产品的过程中,目标用户识别不准确。
发明内容
鉴于上述问题,本公开提供了对象识别方法方法、装置、设备、介质和程序产品。
根据本公开的第一个方面,提供了一种对象识别方法,包括:
根据被推荐产品的产品属性,确定与待识别对象相关的第一业务数据和第二业务数据,其中,上述产品属性包括上述产品的消费期限,上述第一业务数据表征与上述待识别对象相关的随时间动态变化的业务数据,上述第二业务数据表征与上述待识别对象相关的属性数据;
利用长短期记忆网络对上述第一业务数据进行特征提取,得到第一目标特征;
对上述第二业务数据进行数值映射,得到第二目标特征;
根据上述第一目标特征和上述第二目标特征,得到与上述待识别对象对应的识别结果。
根据本公开的实施例,上述利用长短期记忆网络对上述第一业务数据进行特征提取,得到第一目标特征包括:
根据上述产品属性,构造与上述第一业务数据相对应的时间滑块,其中,上述时间滑块表征从上述第一业务数据中进行取数的时间段;
根据上述第一业务数据和上述时间滑块,利用长短期记忆网络从上述第一业务数据中提取第一目标特征。
根据本公开的实施例,上述根据上述第一目标特征和上述第二目标特征,得到与上述待识别对象对应的识别结果包括:
利用自适应提升算法对上述第一目标特征和上述第二目标特征进行处理,得到与上述待识别对象对应的识别结果。根据本公开的实施例,上述时间滑块的数量大于等于4小于等于6。
根据本公开的实施例,上述根据上述第一业务数据和上述时间滑块,利用长短期记忆网络从上述第一业务数据中提取第一目标特征包括:
从上述第一业务数据中获取与多个上述时间滑块分别对应的第一数据特征,得到多个第一数据特征;
按时序将上述多个第一数据特征输入上述长短期记忆网络,得到上述第一目标特征,上述时序表征与上述多个第一数据特征分别对应的上述第一业务数据产生的时间顺序。
根据本公开的实施例,上述第一业务数据包括与上述待识别对象相关的月维度流水统计数据、月维度资源统计数据和天维度流动资源数据中的至少一个。
根据本公开的实施例,上述属性数据包括上述待识别对象的所属领域、所在区域和固定资源中的至少一个。
本公开的第二方面提供了一种对象识别装置,包括:
确定模块,用于根据被推荐产品的产品属性,确定与待识别对象相关的第一业务数据和第二业务数据,其中,上述产品属性包括上述产品的消费期限,上述第一业务数据表征与上述待识别对象相关的随时间动态变化的业务数据,上述第二业务数据表征与上述待识别对象相关的属性数据;
第一特征得到模块,用于利用长短期记忆网络对上述第一业务数据进行特征提取,得到第一目标特征;
第二特征得到模块,用于对上述第二业务数据进行数值映射,得到第二目标特征;
识别结果得到模块,用于根据上述第一目标特征和上述第二目标特征,得到与上述待识别对象对应的识别结果。
本公开的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述方法。
本公开的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述方法。
本公开的第五方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述方法。
根据本公开实施例提供的对象识别方法,根据被推荐产品的产品属性消费期限,确定与待识别对象相关的第一业务数据和第二业务数据,确定与待识别对象相关的随时间动态变化的业务数据和与待识别对象相关的属性数据,然后利用长短期记忆网络对第一业务数据进行特征提取,得到第一目标特征,得到可以反应动态变化的业务数据在消费期限时长内的波动情况的第一目标特征,使得第一目标特征具有较高的特征质量,对第二业务数据进行数值映射,得到第二目标特征,根据具有较高的特征质量的第一目标特征和第二目标特征,得到与待识别对象对应的识别结果,得到更精准的识别结果,识别出更精准的目标对象。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的对象识别方法的应用场景图;
图2示意性示出了根据本公开实施例的对象识别方法的流程图;
图3示意性示出了根据本公开另一实施例的对象识别方法的流程图;
图4示意性示出了根据本公开实施例的对象识别装置的结构框图;以及
图5示意性示出了根据本公开实施例的适于实现对象识别方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
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)。
在本公开的技术方案中,所涉及的数据(如包括但不限于用户个人信息)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。
根据本公开的实施例,在获取与待识别对象相关的第一业务数据(例如月维度流水统计数据、月维度资源统计数据和天维度流动资源数据等)和属性数据(例如所属领域、所在区域和固定资源等)之前,数据请求方均先获得了待识别对象的使用许可,且这些数据在使用过程中均进行了必要的保密措施。
现有技术提取的与用户的业务数据相对应的特征无法反应业务数据的动态变化,使得业务数据包括的大量有效信息无法使用,进而基于这些特征利用评分卡模型以及逻辑回归等模型进行目标用户筛选,筛选出的目标用户不准确。
为了至少部分地解决相关技术中存在的技术问题,本公开的实施例提供了一种对象识别方法、装置、电子设备及存储介质,可以应用于计算机技术领域和人工智能技术领域。
根据本公开的实施例,提供一种对象识别方法,包括:根据被推荐产品的产品属性,确定与待识别对象相关的第一业务数据和第二业务数据,其中,产品属性包括产品的消费期限,第一业务数据表征与待识别对象相关的随时间动态变化的业务数据,第二业务数据表征与待识别对象相关的属性数据。利用长短期记忆网络对第一业务数据进行特征提取,得到第一目标特征。对第二业务数据进行数值映射,得到第二目标特征。根据第一目标特征和第二目标特征,得到与待识别对象对应的识别结果。
图1示意性示出了根据本公开实施例的对象识别方法的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括第一终端设备101、第二终端设备102、第三终端设备103、网络104和服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用第一终端设备101、第二终端设备102、第三终端设备103中的至少一个通过网络104与服务器105交互,以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
第一终端设备101、第二终端设备102、第三终端设备103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的对象识别方法一般可以由服务器105执行。相应地,本公开实施例所提供的对象识别装置一般可以设置于服务器105中。本公开实施例所提供的对象识别方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的对象识别装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图3对公开实施例的对象识别方法进行详细描述。
图2示意性示出了根据本公开实施例的对象识别方法的流程图。
如图2所示,该实施例的对象识别包括操作S210~操作S240。
在操作S210,根据被推荐产品的产品属性,确定与待识别对象相关的第一业务数据和第二业务数据,其中,产品属性包括产品的消费期限,第一业务数据表征与待识别对象相关的随时间动态变化的业务数据,第二业务数据表征与待识别对象相关的属性数据。
根据本公开的实施例,被推荐产品可以为具有金融属性的借贷产品。被推荐产品例如可以为信用卡或与房贷业务对应的借贷产品等。
根据本公开的实施例,待识别对象可以为个人用户,还可以为企业用户。
根据本公开的实施例,在被推荐产品为具有金融属性的借贷产品的情况下,被推荐产品的消费期限表征借贷期限。被推荐产品的消费期限例如可以为一个月、一年或者二十年等。在被推荐产品的消费期限小于等于一年的情况下,可以认为该被推荐产品为短期借贷产品。例如信用卡为短期借贷产品。在被推荐产品的消费期限大于一年的情况下,可以认为该被推荐产品为长期借贷产品。例如与房贷业务对应的借贷产品为长期借贷产品。
根据本公开的实施例,在待识别对象为个人用户,金融机构向个人推荐信用卡的情况下,与个人用户对应的第一业务数据例如可以包括:个人用户的月维度的流水统计数据以及天维度收入支出数据。与个人用户对应的第二业务数据例如可以包括:个人用户的职业、职业领域和工作地所述区域(例如A市)。
根据本公开的实施例,通过根据被推荐产品的产品属性消费期限,确定与待识别对象相关的第一业务数据和第二业务数据,第一业务数据表征与待识别对象相关的随时间动态变化的业务数据,因此,第一业务数据能够反应:与待识别对象相关的随时间动态变化的资源在消费期限内的动态变化规律,第二业务数据表征与待识别对象相关的属性数据,因此,第二业务数据能够反应:待识别对象在消费期限内的收入的稳定性。
在操作S220,利用长短期记忆网络对第一业务数据进行特征提取,得到第一目标特征。
根据本公开的实施例,可以先对第一业务数据包括的多个业务数据在时间维度上进行划分,然后利用长短期记忆网络(Long Short-Term Memory,LSTM)对划分好的多个业务数据集合进行处理,得到第一目标特征。
根据本公开的实施例,由于第一业务数据表征与待识别对象相关的随时间动态变化的业务数据,LSTM是一种时间递归神经网络,可以从时序数据中捕捉到复杂的时间特征,因此,利用LSTM对第一业务数据进行特征提取,得到第一目标特征,可以得到反应动态变化的业务数据在消费期限时长内的波动情况的第一目标特征,使得第一目标特征具有较高的特征质量。
在操作S230,对第二业务数据进行数值映射,得到第二目标特征。
根据本公开的实施例,可以先获取与多个待识别对象对应的第二业务数据。然后根据与多个待识别对象对应的第二业务数据,得到与第二业务数据对应的信用价值(Information Value,IV)。
可以将第二业务数据映射为与第二业务数据对应的IV值,得到第二目标特征。
根据本公开的实施例,IV值反应了第二业务数据的信用度,通过将第二业务数据映射为与第二业务数据对应的IV值,得到第二目标特征,使得第二目标特征能够反应第二业务数据的信用度,得到特征质量更高的第二目标特征。
在操作S240,根据第一目标特征和第二目标特征,得到与待识别对象对应的识别结果。
根据本公开的实施例,可以将第一目标特征和第二目标特征一起输入分类模型中,得到与待识别对象对应的识别结果。分类模型例如可以为包括多组弱分类器的分类模型。
根据本公开的实施例,分类模型的输出结果例如可以为1,还可以为0。在分类模型的输出结果为1的情况下,识别结果可以表征待识别对象为被推荐的目标对象。在分类模型的输出结果为0的情况下,识别结果可以表征待识别对象不是被推荐的目标对象。
根据本公开实施例提供的对象识别方法,根据被推荐产品的产品属性消费期限,确定与待识别对象相关的第一业务数据和第二业务数据,确定与待识别对象相关的随时间动态变化的业务数据和与待识别对象相关的属性数据,然后利用长短期记忆网络对第一业务数据进行特征提取,得到第一目标特征,得到可以反应动态变化的业务数据在消费期限时长内的波动情况的第一目标特征,使得第一目标特征具有较高的特征质量,对第二业务数据进行数值映射,得到第二目标特征,根据具有较高的特征质量的第一目标特征和第二目标特征,得到与待识别对象对应的识别结果,得到更精准的识别结果,识别出更精准的目标对象。
根据本公开的实施例,在被推荐产品为具有金融属性的借贷产品的情况下,根据本公开实施例提供的对象识别方法可以识别出更精准的被推荐的目标对象(例如个人目标用户或企业目标用户),可以保障金融机构的借贷资金的回款安全,减小金融机构的借贷风险。
根据本公开的实施例,针对如图2所示的操作S220,利用长短期记忆网络对第一业务数据进行特征提取,得到第一目标特征,可以包括如下操作:
根据产品属性,构造与第一业务数据相对应的时间滑块,其中,时间滑块表征从第一业务数据中进行取数的时间段;
根据第一业务数据和时间滑块,利用长短期记忆网络从第一业务数据中提取第一目标特征。
根据本公开的实施例,时间滑块的数量大于等于4小于等于6。
根据本公开的实施例,在被推荐产品为具有金融属性的借贷产品的情况下,第一业务数据表征与待识别对象相关的随时间动态变化的业务数据即与业务对应的资金变化数据。由于资金变动是一个持续、渐变的过程,滑块数量在4-6之间可以得到更加稳定的资金波动情况,因此,滑块数量在4-6之间进行选取更具有实际应用价值。
根据本公开的实施例,通过根据产品属性,构造与第一业务数据相对应的时间滑块,根据第一业务数据和时间滑块,利用长短期记忆网络从第一业务数据中提取第一目标特征,实现利用长短期记忆网络重构与第一业务数据对应的目标特征,使得目标特征可以反映第一业务数据在时间上的关联关系,并可以反映第一业务数据在时间上的波动规律,有效提升第一目标特征的特征质量。
根据本公开的实施例,根据第一业务数据和时间滑块,利用长短期记忆网络从第一业务数据中提取第一目标特征包括:
从第一业务数据中获取与多个时间滑块分别对应的第一数据特征,得到多个第一数据特征;
按时序将多个第一数据特征输入长短期记忆网络,得到第一目标特征,时序表征与多个第一数据特征分别对应的第一业务数据产生的时间顺序。
根据本公开的实施例,例如被推荐产品为短期借贷产品信用卡,待识别对象为个人用户,与个人用户对应的第一业务数据包括:个人用户的月维度的流水统计数据以及天维度收入支出数据的情况下,时间滑块不易过长。与天维度收入支出数据对应的时间滑块例如可以为4个,可采取每7天为一个时间周期进行天维度收入支出数据的持续采集,可以将距离当前时间最近的一个月内的天维度收入支出数据按时间顺序分为4份。与月维度的流水统计数据对应的时间滑块例如可以为4个,可以将距离当前时间最近的4个月内的月维度的流水统计数据按时间顺序分为4份。
根据本公开的实施例,将距离当前时间最近的一个月内的天维度收入支出数据按时间顺序分为4份,可以得到个人用户最近一个月内的天维度的流水的波动情况,将距离当前时间最近的4个月内的月维度的流水统计数据按时间顺序分为4份,可以得到个人用户的与两个季度相关的月维度的流水统计数据的波动情况,得到更加准确的个人用户的短期消费情况。
根据本公开的实施例,通过从第一业务数据中获取与多个时间滑块分别对应的第一数据特征,得到多个第一数据特征,然后按时序将多个第一数据特征输入长短期记忆网络,得到第一目标特征,使得长短期记忆网络可以按时序对多个第一数据特征进行动态整合,捕捉更多的与第一业务数据对应的动态信息,得到可以反映第一业务数据在时间上的波动规律的第一目标特征,有效提升第一目标特征的特征质量。
根据本公开的实施例,针对如图2所示的操作S240,根据第一目标特征和第二目标特征,得到与待识别对象对应的识别结果,可以包括如下操作:
利用自适应提升算法(Adaptive boosting,Adaboost)对第一目标特征和第二目标特征进行处理,得到与待识别对象对应的识别结果。
根据本公开的实施例,可以将第一目标特征与第二目标特征作为一个整体输入自适应提升算法中,然后利用自适应提升算法输出与待识别对象对应的识别结果。
根据本公开的实施例,利用自适应提升算法对第一目标特征和第二目标特征进行处理,可以有效将第一目标特征包括的时序信息整合至第二目标特包括的属性信息中,使得与第一目标特征和第二目标特征对应的特征包括更多的可用信息,具有较高的特征质量,然后根据与第一目标特征和第二目标特征对应的特征得到与待识别对象对应的识别结果,可以得到更精准的识别结果,识别出更精准的目标对象。
根据本公开的实施例,第一业务数据包括与待识别对象相关的月维度流水统计数据、月维度资源统计数据和天维度流动资源数据中的至少一个。
根据本公开的实施例,月维度流水统计数据例如可以为月维度的总收入和月维度的总支出中的至少之一。月维度资源统计数据例如可以包括月维度的投资理财数据。天维度流动资源数据例如可以包括天维度的收入和天维度的支出中的至少之一。
根据本公开的实施例,属性数据包括待识别对象的所属领域、所在区域和固定资源中的至少一个。
根据本公开的实施例,待识别对象的所属领域例如可以为农林牧渔、采矿业、水利水电、电力热力、石油化工、机械制造、食品药品、建筑或交通运输等。待识别对象的所在区域例如可以为B省、C市、D县等。待识别对象的固定资源例如可以为房屋、建筑物、机器、机械、运输工具以及其他与生产经营活动有关的设备、器具、工具等。
图3示意性示出了根据本公开另一实施例的对象识别方法的流程图。
如图3所示,首先可以根据被推荐产品的产品属性消费期限,确定与待识别对象相关的第一业务数据和第二业务数据。被推荐产品例如可以为短期借贷产品信用卡。与待识别对象相关的第一业务数据可以包括与待识别对象相关的月维度流水统计数据、月维度资源统计数据和天维度流动资源数据。与待识别对象相关的第二业务数据可以包括待识别对象的所属领域、所在区域和固定资源。
如图3所示,针对与待识别对象相关的月维度流水统计数据,滑块数量可以为6,滑块的时间长度可以为一个月,可以将距离当前时间最近的半年内的待识别对象的月维度流水统计数据划分为6份,得到与月维度流水统计数据对应的6个第一数据特征,与月维度流水统计数据对应的6个第一数据特征可以用(特征a,...,特征A)311进行表示。
针对与待识别对象相关的月维度资源统计数据,滑块数量可以为4,滑块的时间长度可以为一个月,可以将距离当前时间最近的4个月内的待识别对象的月维度资源统计数据划分为4份,得到得到与月维度资源统计数据对应的4个第一数据特征,与月维度资源统计数据对应的4个第一数据特征可以用(特征b,...,特征B)312进行表示。
针对与待识别对象相关的天维度流动资源数据,滑块数量可以为4,滑块的时间长度可以为七天,可以将距离当前时间最近的1个月内的待识别对象的天维度流动资源数据划分为4份,得到得到与天维度流动资源数据对应的4个第一数据特征,与天维度流动资源数据对应的4个第一数据特征可以用(特征c,...,特征C)313进行表示。
在与待识别对象相关的第一业务数据还包括除月维度流水统计数据、月维度资源统计数据和天维度流动资源数据以外的其它数据的情况下,还需要设计与其它数据对应的时间滑块的数量及滑块的时间长度,根据时间滑块的数量及滑块的时间长度进行划分,得到与其它数据对应的多个第一数据特征。
可以利用LSTM“321”分别对(特征a,...,特征A)311、(特征b,...,特征B)312以及(特征c,...,特征C)313进行特征提取,得到与(特征a,...,特征A)311对应的第一目标特征1“341”、与特征b,...,特征B)312对应的第一目标特征2“342”以及与(特征c,...,特征C)313对应的第一目标特征j“343”。其中,j为大于2的整数。
可以对待识别对象的所属领域进行数值映射,得到与所属领域对应的第二目标特征1“331”,对待识别对象的所在区域进行数据映射,得到与所在区域对应的第二目标特征2“332”,对待识别对象的固定资源进行映射,得到与固定资源对应的第二目标特征i“333”。其中,i为大于2的整数。
在与待识别对象相关的属性数据还包括除所属领域、所在区域和固定资源以外的其它数据的情况下,可以对其它数据进行数值映射,得到与其它数据对应的第二目标特征。
将第二目标特征1“331”、第二目标特征2“332”、第二目标特征i“333”、第一目标特征1“341”、第一目标特征2“342”以及第一目标特征j“343”分别输入Adaboost模型“351”包括的多个(数量例如为n,n为大于1的整数)弱分类器中,得到多个预测结果。然后根据与多个弱分类器分别对应的预测权重W,对多个预测结果进行加和,然后将加和结果输入符号函数Sign()361中,符号函数Sign()361输出最终的识别结果。例如符号函数Sign()361输出的识别结果为1表征待识别对象为被推荐的目标对象。符号函数Sign()361输出的识别结果为-1表征待识别对象不是被推荐的目标对象。
如图3所示,通过利用LSTM“321”对与第一业务数据对应的多个第一数据特征进行特征提取,可以得到能够反映第一业务数据在时间上的波动规律的第一目标特征,然后利用Adaboost模型对第一目标特征和第二目标特征进行处理,可以有效将第一目标特征包括的时序信息整合至第二目标特包括的属性信息中,使得与第一目标特征和第二目标特征对应的特征包括更多的可用信息,具有较高的特征质量,然后根据与第一目标特征和第二目标特征对应的特征得到与待识别对象对应的识别结果,可以得到更精准的识别结果,识别出更精准的目标对象。
需要说明的是,本公开实施例中的流程图所示的操作除非明确说明不同操作之间存在执行的先后顺序,或者不同操作在技术实现上存在执行的先后顺序,否则,多个操作之间的执行顺序可以不分先后,多个操作也可以同时执行。
根据本公开的实施例,基于上述对象识别方法,本公开还提供了一种对象识别装置。以下将结合图4对该装置进行详细描述。
图4示意性示出了根据本公开实施例的对象识别装置的结构框图。
如图4所示,该实施例的对象识别装置400包括确定模块410、第一特征得到模块420、第二特征得到模块430和识别结果得到模块440。
确定模块410,用于根据被推荐产品的产品属性,确定与待识别对象相关的第一业务数据和第二业务数据,其中,产品属性包括产品的消费期限,第一业务数据表征与待识别对象相关的随时间动态变化的业务数据,第二业务数据表征与待识别对象相关的属性数据。在一实施例中,确定模块410可以用于执行前文描述的操作S210,在此不再赘述。
第一特征得到模块420,用于利用长短期记忆网络对第一业务数据进行特征提取,得到第一目标特征。在一实施例中第一特征得到模块420可以用于执行前文描述的操作S220,在此不再赘述。
第二特征得到模块430,用于对第二业务数据进行数值映射,得到第二目标特征。在一实施例中第二特征得到模块430可以用于执行前文描述的操作S230,在此不再赘述。
识别结果得到模块440,用于根据第一目标特征和第二目标特征,得到与待识别对象对应的识别结果。在一实施例中识别结果得到模块440可以用于执行前文描述的操作S240,在此不再赘述。
根据本公开的实施例,第一特征得到模块包括滑块构造子模块和第一特征得到子模块。
滑块构造子模块,用于根据产品属性,构造与第一业务数据相对应的时间滑块,其中,时间滑块表征从第一业务数据中进行取数的时间段。
第一特征得到子模块,用于根据第一业务数据和时间滑块,利用长短期记忆网络从第一业务数据中提取第一目标特征。
根据本公开的实施例,识别结果得到模块括识别结果得到子模块。
识别结果得到子模块,用于利用自适应提升算法对第一目标特征和第二目标特征进行处理,得到与待识别对象对应的识别结果。
根据本公开的实施例,时间滑块的数量大于等于4小于等于6。
根据本公开的实施例,第一特征得到子模块包括第一数据特征得到单元和第一特征得到单元。
第一数据特征得到单元,用于从第一业务数据中获取与多个时间滑块分别对应的第一数据特征,得到多个第一数据特征。
第一特征得到单元,用于按时序将多个第一数据特征输入长短期记忆网络,得到第一目标特征,时序表征与多个第一数据特征分别对应的第一业务数据产生的时间顺序。
根据本公开的实施例,第一业务数据包括与待识别对象相关的月维度流水统计数据、月维度资源统计数据和天维度流动资源数据中的至少一个。
根据本公开的实施例,属性数据包括待识别对象的所属领域、所在区域和固定资源中的至少一个。
根据本公开的实施例,对象识别装置400包括确定模块410、第一特征得到模块420、第二特征得到模块430和识别结果得到模块440中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,对象识别装置400包括确定模块410、第一特征得到模块420、第二特征得到模块430和识别结果得到模块440中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,对象识别装置400包括确定模块410、第一特征得到模块420、第二特征得到模块430和识别结果得到模块440中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图5示意性示出了根据本公开实施例的适于实现对象识别方法的电子设备的方框图。
如图5所示,根据本公开实施例的电子设备500包括处理器501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。处理器501例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器501还可以包括用于缓存用途的板载存储器。处理器501可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 503中,存储有电子设备500操作所需的各种程序和数据。处理器501、ROM502以及RAM 503通过总线504彼此相连。处理器501通过执行ROM 502和/或RAM 503中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 502和RAM 503以外的一个或多个存储器中。处理器501也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备500还可以包括输入/输出(I/O)接口505,输入/输出(I/O)接口505也连接至总线504。电子设备500还可以包括连接至输入/输出(I/O)接口505的以下部件中的一项或多项:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至输入/输出(I/O)接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、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。在本公开中,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。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 502和/或RAM 503和/或ROM 502和RAM 503以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的物品推荐方法。
在该计算机程序被处理器501执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分509被下载和安装,和/或从可拆卸介质511被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被处理器501执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“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设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (11)
1.一种对象识别方法,包括:
根据被推荐产品的产品属性,确定与待识别对象相关的第一业务数据和第二业务数据,其中,所述产品属性包括所述产品的消费期限,所述第一业务数据表征与所述待识别对象相关的随时间动态变化的业务数据,所述第二业务数据表征与所述待识别对象相关的属性数据;
利用长短期记忆网络对所述第一业务数据进行特征提取,得到第一目标特征;
对所述第二业务数据进行数值映射,得到第二目标特征;
根据所述第一目标特征和所述第二目标特征,得到与所述待识别对象对应的识别结果。
2.根据权利要求1所述的方法,其中,所述利用长短期记忆网络对所述第一业务数据进行特征提取,得到第一目标特征包括:
根据所述产品属性,构造与所述第一业务数据相对应的时间滑块,其中,所述时间滑块表征从所述第一业务数据中进行取数的时间段;
根据所述第一业务数据和所述时间滑块,利用长短期记忆网络从所述第一业务数据中提取第一目标特征。
3.根据权利要求1或2所述的方法,其中,所述根据所述第一目标特征和所述第二目标特征,得到与所述待识别对象对应的识别结果包括:
利用自适应提升算法对所述第一目标特征和所述第二目标特征进行处理,得到与所述待识别对象对应的识别结果。
4.根据权利要求2所述的方法,其中,所述时间滑块的数量大于等于4小于等于6。
5.根据权利要求4所述的方法,其中,所述根据所述第一业务数据和所述时间滑块,利用长短期记忆网络从所述第一业务数据中提取第一目标特征包括:
从所述第一业务数据中获取与多个所述时间滑块分别对应的第一数据特征,得到多个第一数据特征;
按时序将所述多个第一数据特征输入所述长短期记忆网络,得到所述第一目标特征,所述时序表征与所述多个第一数据特征分别对应的所述第一业务数据产生的时间顺序。
6.根据权利要求1或2所述的方法,其中,所述第一业务数据包括与所述待识别对象相关的月维度流水统计数据、月维度资源统计数据和天维度流动资源数据中的至少一个。
7.根据权利要求1或2所述的方法,其中,所述属性数据包括所述待识别对象的所属领域、所在区域和固定资源中的至少一个。
8.一种对象识别装置,包括:
确定模块,用于根据被推荐产品的产品属性,确定与待识别对象相关的第一业务数据和第二业务数据,其中,所述产品属性包括所述产品的消费期限,所述第一业务数据表征与所述待识别对象相关的随时间动态变化的业务数据,所述第二业务数据表征与所述待识别对象相关的属性数据;
第一特征得到模块,用于利用长短期记忆网络对所述第一业务数据进行特征提取,得到第一目标特征;
第二特征得到模块,用于对所述第二业务数据进行数值映射,得到第二目标特征;
识别结果得到模块,用于根据所述第一目标特征和所述第二目标特征,得到与所述待识别对象对应的识别结果。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~7中任一项所述的方法。
11.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310539694.5A CN116562974A (zh) | 2023-05-15 | 2023-05-15 | 对象识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310539694.5A CN116562974A (zh) | 2023-05-15 | 2023-05-15 | 对象识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116562974A true CN116562974A (zh) | 2023-08-08 |
Family
ID=87501468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310539694.5A Pending CN116562974A (zh) | 2023-05-15 | 2023-05-15 | 对象识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116562974A (zh) |
-
2023
- 2023-05-15 CN CN202310539694.5A patent/CN116562974A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111145009A (zh) | 用户贷后风险评估方法、装置及电子设备 | |
CN111783039B (zh) | 风险确定方法、装置、计算机系统和存储介质 | |
CN112017023A (zh) | 小微企业资源额度确定方法、装置及电子设备 | |
CN111583018A (zh) | 一种基于用户金融表现分析的授信策略管理方法、装置和电子设备 | |
CN111179051A (zh) | 金融目标客户确定方法、装置及电子设备 | |
CN113610230A (zh) | 训练方法、预测方法、装置、计算机系统及存储介质 | |
CN115983900A (zh) | 用户营销策略的构建方法、装置、设备、介质和程序产品 | |
CN112613978B (zh) | 银行资本充足率的预测方法、装置、电子设备及介质 | |
CN113987350A (zh) | 资源推荐方法及装置 | |
JP7170689B2 (ja) | 出力装置、出力方法及び出力プログラム | |
CN111695988A (zh) | 信息处理方法、装置、电子设备和介质 | |
CN116091242A (zh) | 推荐产品组合生成方法及装置、电子设备和存储介质 | |
CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN116091249A (zh) | 交易风险的评估方法、装置、电子设备和介质 | |
CN115994819A (zh) | 风险客户识别方法、装置、设备和介质 | |
CN114820196A (zh) | 信息推送方法、装置、设备及介质 | |
CN114493853A (zh) | 信用等级评价方法、装置、电子设备及存储介质 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN110163482B (zh) | 确定活动方案的安全方案数据的方法、终端设备及服务器 | |
CN113094595A (zh) | 对象识别方法、装置、计算机系统及可读存储介质 | |
CN116562974A (zh) | 对象识别方法、装置、电子设备及存储介质 | |
CN117172632B (zh) | 一种企业异常行为检测方法、装置、设备及存储介质 | |
CN117911033A (zh) | 交易限额确定方法、装置、设备、介质及程序产品 | |
CN114742648A (zh) | 产品推送方法、装置、设备及介质 | |
CN116664278A (zh) | 信息生成方法、装置、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 |