CN117195104A - 资源分类方法、装置、电子设备及存储介质 - Google Patents
资源分类方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117195104A CN117195104A CN202311475011.0A CN202311475011A CN117195104A CN 117195104 A CN117195104 A CN 117195104A CN 202311475011 A CN202311475011 A CN 202311475011A CN 117195104 A CN117195104 A CN 117195104A
- Authority
- CN
- China
- Prior art keywords
- resource
- alternative
- probability
- type
- candidate
- 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 50
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000012546 transfer Methods 0.000 claims description 77
- 238000012937 correction Methods 0.000 claims description 52
- 238000004590 computer program Methods 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本发明公开了一种资源分类方法、装置、电子设备及存储介质。该方法包括:获取资源需求方类型、资源信息和备选资源类型;根据所述资源需求方类型、所述资源信息和所述备选资源类型,确定所述资源需求方对所述备选资源类型的备选概率;根据所述备选资源类型和所述备选概率,计算所述备选资源类型对应的权重,并从各所述备选资源类型中筛选目标资源类型。本发明实施例的技术方案提高了资源分类的准确度。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种资源分类方法、装置、电子设备及存储介质。
背景技术
资源由资源需求方向资源提供方获取,资源类型是决定资源需求方是否选择该资源的重要因素。
目前,在资源提供方向资源需求方提供资源时,主要根据资源的转移次数,确定对应的资源类型。
但是,根据资源的转移次数确定资源类型的方式,分类方式过于单一,存在资源分类的准确度低的问题。
发明内容
本发明提供了一种资源分类方法、装置、电子设备及存储介质,提高了资源分类的准确度。
根据本发明的一方面,提供了一种资源分类方法,包括:
获取资源需求方类型、资源信息和备选资源类型;
根据所述资源需求方类型、所述资源信息和所述备选资源类型,确定所述资源需求方对所述备选资源类型的备选概率;
根据所述备选资源类型和所述备选概率,计算所述备选资源类型对应的权重,并从各所述备选资源类型中筛选目标资源类型。
根据本发明的另一方面,提供了一种资源分类装置,包括:
备选资源类型获取模块,用于获取资源需求方类型、资源信息和备选资源类型;
备选概率确定模块,用于根据所述资源需求方类型、所述资源信息和所述备选资源类型,确定所述资源需求方对所述备选资源类型的备选概率;
目标资源类型确定模块,用于根据所述备选资源类型和所述备选概率,计算所述备选资源类型对应的权重,并从各所述备选资源类型中筛选目标资源类型。
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资源分类方法。
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资源分类方法。
本发明实施例的技术方案,通过获取资源需求方类型、资源信息和备选资源类型,根据所述资源需求方类型、所述资源信息和所述备选资源类型,确定所述资源需求方对所述备选资源类型的备选概率,根据所述备选资源类型和所述备选概率,计算所述备选资源类型对应的权重,并从各所述备选资源类型中筛选目标资源类型,解决了根据资源的转移次数确定资源类型的方式,分类方式过于单一,存在资源分类的准确度低的问题,提高了资源分类的准确度。
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资源分类方法的流程图;
图2是根据本发明实施例二提供的一种资源分类方法的流程图;
图3是根据本发明实施例三提供的一种资源分类装置的结构示意图;
图4是实现本发明实施例的资源分类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的一种资源分类方法的流程图。本发明实施例可适用于对资源类型进行确定的情况,该方法可以由资源分类装置来执行,该资源分类装置可以采用硬件和/或软件的形式实现,该资源分类装置可配置于承载资源分类功能的电子设备中。
参见图1所示的资源分类方法,包括:
S110、获取资源需求方类型、资源信息和备选资源类型。
资源需求方可以是对资源有需求的一方。资源提供方是提供资源的一方。资源可以由资源需求方向资源提供方转移。资源需求方类型可以用于区分不同的资源需求方。可选的,可以通过是否具有资源转移记录区分不同的资源需求方。可以理解为,资源需求方类型可以包括有资源转移记录的资源需求方和无资源转移记录的资源需求方。其中,资源转移记录可以用确定资源提供方的资源向资源需求方的转移情况。资源信息可以是资源的属性信息。资源信息可以用于区分不同的资源。示例性的,资源信息可以包括资源标识。其中,资源标识用于唯一确定资源。资源类型可以用于评价资源的价值。可选的,可以用数字或字母表示资源类型。示例性的,资源类型可以为A类、B类、C类和D类等。备选资源类型可以用于筛选目标资源的目标资源类型。可选的,备选资源类型也可以根据技术人员的试验结果进行设定和调整。
具体的,可以获取资源需求方类型、各属性的资源信息和目标资源的备选资源类型。
S120、根据资源需求方类型、资源信息和备选资源类型,确定资源需求方对备选资源类型的备选概率。
备选概率可以是资源需求方与资源提供方之间发生资源转移的概率。资源需求方对备选资源类型的备选概率可以是在备选资源类型时资源需求方与资源提供方之间发生资源转移的概率。备选概率用于在备选资源类型中筛选目标资源类型。可选的,备选概率也可以用于表征资源需求方是否会获取资源提供方转移的目标资源。示例性的,备选概率大于等于50%,可以理解为,预测资源需求方会获取资源提供方转移的目标资源;备选概率小于50%,可以理解为,预测资源需求方不会获取资源提供方转移的目标资源。
具体的,可以获取资源需求方类型样本、资源信息样本和备选资源类型样本,并针对同一资源需求方类型样本和同一资源信息样本,统计各备选资源类型样本的数量与备选资源类型样本的总数量之间的备选比例,并存储于数据库中。可选的,将在对资源需求方类型样本、资源信息样本和备选资源类型样本的数据采集之后,可以对数据进行清洗整理,得到结构化数据,并按照日分区(切片表)或全量表(拉链表)以多副本的方式存储在数据库内。可以根据资源需求方类型、资源信息和备选资源类型,在数据库中查询相同的资源需求方类型样本、资源信息样本和备选资源类型样本的备选比例,确定为资源需求方对备选资源类型的备选概率。
S130、根据备选资源类型和备选概率,计算备选资源类型对应的权重,并从各备选资源类型中筛选目标资源类型。
备选资源类型对应的权重可以用于确定备选资源类型在各备选资源类型中的重要程度。备选资源类型对应的权重用于对备选资源类型进行筛选。可选的,备选资源类型对应的权重越大,备选资源类型的重要程度越高。可以将权重最大值对应的备选资源类型,确定为目标资源类型。目标资源类型可以是各备选资源类型中的最优资源类型。可选地,在确定目标资源匹配的目标资源类型之后,资源需求方可以根据目标资源类型向资源需求方推荐,以使目标资源可以在资源需求方可资源提供方之间发生资源转移。目标资源类型与目标资源之间的适配度越高,资源提供方向资源需求方推荐目标概率的准确度越高,目标资源发生资源转移的概率越高。因此,对于资源推荐而言,提高资源分类的准确度尤为重要。
可选的,可以将各备选资源类型对应的备选概率,直接确定为备选资源类型对应的权重,并对各备选资源类型对应的权重进行比较,筛选权重最大值对应的备选资源类型,确定为目标资源类型。
可选的,还可以计算备选资源类型与备选概率之间的备选乘积,计算各备选资源类型与备选概率之间的乘积之和,计算备选乘积和乘积之和之间的比值,得到备选资源类型对应的权重,并对各备选资源类型对应的权重进行比较,筛选权重最大值对应的备选资源类型,确定为目标资源类型。
本发明实施例的技术方案,通过获取资源需求方类型、资源信息和备选资源类型,根据资源需求方类型、资源信息和备选资源类型,确定资源需求方对备选资源类型的备选概率,根据备选资源类型和备选概率,计算备选资源类型对应的权重,并从各备选资源类型中筛选目标资源类型,相较于根据资源的转移次数确定资源类型的方式,分类方式过于单一,存在资源分类的准确度低的问题,本发明实施例的技术方案考虑了资源需求方对备选资源类型的备选概率,提高了资源分类的准确度,通过计算各备选资源类型对应的权重,确定目标资源类型,兼顾了资源类型的确定效率。
在本发明的一个可选实施例中,根据资源需求方类型、资源信息和备选资源类型,确定资源需求方对备选资源类型的备选概率,包括:根据资源需求方类型、资源信息、备选资源类型和备选资源类型变化量,确定资源需求方对备选资源类型的备选概率。
备选资源类型变化量可以包括备选资源类型的变化数量和变化程度。其中,备选资源类型的变化数量可以为上一备选资源类型和当前备选资源类型之间的变化数量。备选资源类型的变化程度可以包括增加和减少。备选资源类型变化量可以用于增加筛选条件,以剔除备选概率中的异常值。示例性的,若上一周期资源需求方获取了资源提供方的目标资源,当前周期降低目标资源的备选资源类型,则当前周期资源需求方对备选资源类型的备选概率应大于等于上一周期的备选概率;若上一周期资源需求方未获取资源提供方的目标资源,当前周期提高目标资源的备选资源类型,则当前周期资源需求方对备选资源类型的备选概率应小于等于上一周期的备选概率。
具体的,可以根据上一周期的资源需求方类型、资源信息和备选资源类型,在数据库中查询相同的资源需求方类型样本、资源信息样本和备选资源类型样本的备选比例,确定为上一周期的资源需求方对备选资源类型的备选概率。可以根据当前周期的资源需求方类型、资源信息和备选资源类型,在数据库中查询相同的资源需求方类型样本、资源信息样本和备选资源类型样本的备选比例,确定为当前周期的资源需求方对备选资源类型的备选概率。根据当前周期的备选资源类型和上一周期的备选资源类型,确定备选资源类型变化量。根据备选资源类型变化量,检测当前周期的资源需求方对备选资源类型的备选概率的正确性。可选的,若检测结果为不正常,则剔除当前周期的资源需求方对备选资源类型的备选概率。
本方案通过引入备选资源类型变化量,增加了资源需求方对备选资源类型的备选概率的筛选条件,考虑了备选资源类型的变化情况,减少了备选资源类型的备选概率的异常,进一步提高了资源分类的准确度。
在本发明的一个可选实施例中,在确定资源需求方对备选资源类型的备选概率之后,还包括:根据资源需求方类型样本、资源信息样本和备选资源类型样本,确定备选资源类型样本的备选概率估计值;对备选概率估计值按照由小到大的顺序进行排序;获取备选概率样本、样本估计窗口范围和备选概率估计值的分位数;备选概率样本包括响应样本和未响应样本;以备选概率估计值的分位数为中心,选取样本估计窗口范围内的各备选概率估计值;计算各备选概率估计值对应的备选概率样本中的响应样本的数量,与各备选概率估计值的数量的比值,并确定为备选概率估计值的分位数对应的备选概率修正值;将与备选概率估计值的分位数相同的备选概率直接修正为对应的备选概率修正值;根据备选概率估计值的分位数和对应的备选概率修正值,对与备选概率估计值的分位数不同的备选概率进行插值修正。
备选概率估计值可以是根据资源需求方类型样本、资源信息样本和备选资源类型样本预测得到的备选概率。备选概率样本可以是在备选资源类型时资源需求方与资源提供方之间发生资源转移的实际概率。备选概率样本包括响应样本和未响应样本。其中,响应样本可以是在资源类型为备选资源类型时资源需求方与资源提供方之间未发生资源转移的样本。未响应样本可以是在资源类型为备选资源类型时资源需求方与资源提供方之间未发生资源转移的样本。可选的,备选概率样本中的未响应样本可以表示为0;备选概率样本中的响应样本可以表示为1。样本估计窗口范围可以是对确定备选概率修正值时的所参考的备选概率估计值和对应的备选概率样本的筛选范围。可选的,样本估计窗口范围的选取可以影响备选概率修正值确定的准确度。若样本估计窗口范围的取值过大,则会引入与备选概率相似性较低的备选概率估计值和备选概率样本,从而导致样本偏差,影响备选概率修正值确定的准确度;若样本估计窗口范围的取值过小,则会导致备选概率修正值确定时估计的方差较大,也会影响备选概率修正值确定的准确度。因此,可以根据样本数量,确定相应的样本窗口估计范围。可选的,样本估计窗口范围可以根据技术人员的经验进行设定和调整。示例性的,样本估计窗口范围可以为100。备选概率估计值的分位数可以是从备选概率估计值中筛选的预设数量的备选概率估计值。通过选取备选概率估计值的分位数,可以减少备选概率修正值的计算量,进而提高备选效率修正值的计算效率。备选概率修正值可以是修正后的备选概率。
具体的,可以根据资源需求方类型样本、资源信息样本和备选资源类型样本,确定备选资源类型样本的备选概率估计值。可以对备选概率估计值按照由小到大的顺序进行排序。可以获取备选概率样本、样本估计窗口范围和备选概率估计值的分位数。可以以备选概率估计值的分位数为中心,选取样本估计窗口范围内的各备选概率估计值。可以计算各备选概率估计值对应的备选概率样本中的响应样本的数量与各备选概率估计值的数量的比值,并确定为备选概率估计值的分位数对应的备选概率修正值。可以将与备选概率估计值的分位数相同的备选概率直接修正为对应的备选概率修正值。可以根据备选概率估计值排序与备选概率对应的备选概率估计值相邻的备选概率估计值的分位数和对应的备选概率修正值,对与备选概率估计值的分位数不同的备选概率进行插值修正。可选的,插值方式包括但不限于线性插值、二次差值、三次差值和样条插值等。
示例性的,可以按照备选概率估计值按照由小到大的顺序进行排序,得到备选概率估计值和备选样本概率的集合为:
X={(x1,y1),(x2,y2),…,(xn,yn)},x1≤x2≤…≤xn;
式中,X为备选概率估计值和备选样本概率的集合;xi为备选概率估计值,0≤xi≤1;yi为备选样本概率,yi=0或yi=1。
可以采用以下公式,计算备选概率估计值对应的备选概率修正值:
;
式中,pi为备选概率估计值对应的备选概率修正值;width为样本估计窗口范围;yj为备选样本概率。
可以以样本估计窗口范围width=4举例,对备选概率估计值对应的备选概率修正值的计算过程进行说明:
备选概率估计值和备选样本概率的集合为:
X={…,(0.18,1),(0.19,0),(0.2,0),(0.21,1),(0.22,0),(0.23,0),(0.24,1),(0.25,1),(0.26,0),(0.27,1),(0.28,1),…};
可以计算备选概率估计值为0.2的备选概率修正值:
P0.2=2/5=0.4;
式中,P0.2为备选概率估计值为0.2的备选概率修正值。
可以理解为,以备选概率估计值0.2为中心,在样本估计窗口范围4的范围内,左侧选取2个备选概率估计值和备选概率样本的集合元素(0.18,1)和(0.19,0),右侧选取2个备选概率估计值和备选概率样本的集合元素(0.21,1)和(0.22,0),结合(0.2,0),可见响应样本的数量为2,各备选概率估计值的数量为5,因此,备选概率估计值为0.2的备选概率修正值P0.2=0.4。
可以计算备选概率估计值为0.25的备选概率修正值:
P0.25=2/5=0.6;
式中,P0.25为备选概率估计值为0.25的备选概率修正值。
可以理解为,以备选概率估计值0.6为中心,在样本估计窗口范围4的范围内,左侧选取2个备选概率估计值和备选概率样本的集合元素(0.23,0)和(0.24,1),右侧选取2个备选概率估计值和备选概率样本的集合元素(0.26,0)和(0.27,1),结合(0.25,1),可见响应样本的数量为3,各备选概率估计值的数量为5,因此,备选概率估计值为0.25的备选概率修正值P0.25=0.6。
可以得到备选概率估计值的分位数的备选概率修正值集合为:
P={(xi1,pi1),(xi2,pi2),…,(xiM,piM)};
式中,P为备选概率估计值的分位数的后验概率集合;xiM为备选概率估计值的分位数;piM为备选概率估计值的分位数对应的备选概率修正值;M为备选概率估计值的分位数的数量。
可以将与备选概率估计值的分位数相同的备选概率直接修正为对应的备选概率修正值。
可以根据备选概率估计值排序与备选概率对应的备选概率估计值相邻的备选概率估计值的分位数和对应的备选概率修正值,对与备选概率估计值的分位数不同的备选概率进行线性插值修正。
可以采用以下公式,对与备选概率估计值的分位数不同的备选概率进行线性插值修正:
;
式中,pcor为线性插值修正后的备选概率修正值;px-为备选概率估计值排序与备选概率对应的备选概率估计值相邻且小于备选概率对应的备选概率估计值的备选概率修正值;px+为备选概率估计值排序与备选概率对应的备选概率估计值相邻且大于备选概率对应的备选概率估计值的备选概率修正值;x-为备选概率估计值排序与备选概率对应的备选概率估计值相邻且小于备选概率对应的备选概率估计值;x+为备选概率估计值排序与备选概率对应的备选概率估计值相邻且大于备选概率对应的备选概率估计值;xi为与备选概率估计值的分位数不同的备选概率。
可以接上述样本估计窗口范围width=4举例,备选概率0.22对应的备选概率修正值为:
;
式中,P0.22为备选概率估计值为0.22的备选概率修正值;P0.2为备选概率估计值的分位数为0.2的备选概率修正值;P0.25为备选概率估计值的分位数为0.25的备选概率修正值;0.2为备选概率估计值排序与备选概率对应的备选概率估计值相邻且小于备选概率对应的备选概率估计值;0.25为备选概率估计值排序与备选概率对应的备选概率估计值相邻且大于备选概率对应的备选概率估计值;0.22为与备选概率估计值的分位数不同的备选概率。
本方案通过对资源需求方对备选资源类型的备选概率进行修正,考虑了资源需求方类型样本、资源信息样本、备选资源类型样本、备选概率样本和样本估计窗口范围,提高了备选概率计算的准确度,同时,通过备选概率估计值的分位数,将与备选概率估计值的分位数相同的备选概率直接修正为对应的备选概率修正值,根据备选概率估计值的分位数和对应的备选概率修正值,对与备选概率估计值的分位数不同的备选概率进行插值修正,进一步提高了备选概率的计算效率,进而进一步提高了资源分类的效率和准确度。
在本发明的一个可选实施例中,根据备选资源类型和备选概率,计算备选资源类型对应的权重,包括:获取资源需求方数量、资源提供方向资源需求方的平均资源转移数额和资源转移率;资源需求方数量为至少两个;计算资源提供方向资源需求方的平均资源转移数额和资源转移率之间的资源转移乘积;计算备选资源类型与资源转移乘积之间的级别差值;计算资源需求方数量、级别差值和备选概率之间的乘积,得到备选资源类型对应的权重;选取权重最大值对应的备选资源类型,确定为目标资源类型。
资源提供方向资源需求方的平均资源转移数额可以为资源提供方向资源需求方转移的资源转移数额的平均值。可选的,资源提供方向资源需求方转移资源转移数额,可以由目标资源触发条件确定。可以理解为,当达到了目标资源触发条件时,资源提供方需向资源需求方进行资源转移数额的转移,以保证目标资源的保护范围。资源提供方向资源需求方的资源转移率可以为发生资源数额转移的资源的数量与资源需求方的所有资源的数量之间的比值。资源提供方向资源需求方的平均资源转移数额和资源转移率可以在资源提供方和资源需求方授权的前提下进行获取。资源需求方数量为至少两个。相应的,目标资源为至少两个资源需求方的组合资源。
具体的,可以获取资源需求方数量、资源提供方向资源需求方的平均资源转移数额和资源转移率。可以计算资源提供方向资源需求方的平均资源转移数额和资源转移率之间的资源转移乘积。可以计算备选资源类型与资源转移乘积之间的级别差值。可以计算资源需求方数量、级别差值和备选概率之间的乘积,得到备选资源类型对应的权重。可以选取权重最大值对应的备选资源类型,确定为目标资源类型。
示例性的,可以采用以下公式,计算备选资源类型对应的权重:
Score备选资源类型=资源需求方数量×(备选资源类型-资源转移率×平均资源转移数额)×备选概率;
式中,Score备选资源类型为备选资源类型对应的权重。
本方案引入了资源需求方数量、资源转移率和平均资源转移数额,实现了对资源需求方数量为至少两个时的备选资源类型对应的权重的计算,进一步提高了资源分类的准确度。
可选的,还可计算资源需求方中任一资源需求方获取目标资源的备选概率,进而得到单个资源需求方对备选资源类型的权重。可以根据单个资源需求方对备选资源类型的权重和全部资源需求方对备选资源类型的权重,在各备选资源类型中筛选目标资源类型。示例性的,可以将单个资源需求方对备选资源类型的权重和全部资源需求方对备选资源类型的权重进行求和或计算乘积,选取和值或乘积最大的备选资源类型作为目标资源类型。以此,不仅考虑了多个资源需求方整体获取目标资源的情况,还考虑了任一资源需求方获取目标资源的情况,进一步提高了资源分类的准确度。
在本发明的一个可选实施例中,资源信息包括资源类型和资源映射范围。
资源类型用于对资源映射范围进行划分。资源映射范围可以是资源提供方向资源需求方进行资源转移数额的转移的触发条件。可以理解为,当资源需求方触发了资源映射范围时,资源提供方向资源需求方转移资源转移数额。资源映射范围用于为资源需求方提供保障。
本方案通过将资源信息具体化为资源类型和资源映射范围,给出了一种资源分类的新的应用场景,实现了资源信息包括资源类型和资源映射范围的目标资源的目标资源类型的确定,提高了资源分类的效率和准确度。
实施例二
图2为本发明实施例二提供的一种资源分类方法的流程图。本发明实施例在上述实施例的基础上,将“根据资源需求方类型、资源信息和备选资源类型,确定资源需求方对备选资源类型的备选概率”具体化为“将资源需求方类型、资源信息和备选资源类型输入至备选概率预测模型中,输出资源需求方对备选资源类型的备选概率;其中,备选概率预测模型的训练样本包括资源需求方类型样本、资源信息样本、备选资源类型样本和备选概率样本”,进一步提高了资源需求方对备选资源类型的备选概率的准确度,从而进一步提高了资源分类的效率和准确度。需要说明的是,在本发明实施例中未详述的部分,可参见其他实施例的表述。
参见图2所示的资源分类方法,包括:
S210、获取资源需求方类型、资源信息和备选资源类型。
S220、将资源需求方类型、资源信息和备选资源类型输入至备选概率预测模型中,输出资源需求方对备选资源类型的备选概率;其中,备选概率预测模型的训练样本包括资源需求方类型样本、资源信息样本、备选资源类型样本和备选概率样本。
备选概率预测模型可以用于对资源需求方对备选资源类型的备选概率行预测。备选概率预测模型的输入数据可以包括资源需求方类型、资源信息和备选资源类型,备选概率预测模型的输出结果可以为资源需求方对备选资源类型的备选概率。可以预先训练备选概率预测模型,以确定资源需求方对备选资源类型的备选概率。备选概率预测模型的训练样本可以包括资源需求方类型样本、资源信息样本、备选资源类型样本和备选概率样本。备选概率样本可以是在资源类型为备选资源类型时资源需求方与资源提供方之间发生资源转移的实际概率。可选的,备选概率样本可以包括0和1。其中,若在资源类型为备选资源类型时资源需求方与资源提供方之间未发生资源转移,则备选概率样本为0;若在资源类型为备选资源类型时资源需求方与资源提供方之间发生资源转移,则备选概率样本为1。通过资源需求方类型样本、资源信息样本、备选资源类型样本和备选概率样本对备选概率预测模型进行训练,以保证备选概率预测的准确度,进而提高了资源分类的准确度。可选的,可以实时更新备选概率预测模型的训练样本,对备选概率预测模型进行自适应修正,进一步提高了备选概率预测模型的时效性和准确度。
具体的,可以将资源需求方类型、资源信息和备选资源类型输入至备选概率预测模型中,输出资源需求方对备选资源类型的备选概率。
S230、根据备选资源类型和备选概率,计算备选资源类型对应的权重,并从各备选资源类型中筛选目标资源类型。
本发明实施例的技术方案,通过获取资源需求方类型、资源信息和备选资源类型,将资源需求方类型、资源信息和备选资源类型输入至备选概率预测模型中,输出资源需求方对备选资源类型的备选概率,其中,备选概率预测模型的训练样本包括资源需求方类型样本、资源信息样本、备选资源类型样本和备选概率样本,根据备选资源类型和备选概率,计算备选资源类型对应的权重,并从各备选资源类型中筛选目标资源类型,进一步提高了资源需求方对备选资源类型的备选概率的准确度,从而进一步提高了资源分类的效率和准确度。
在本发明的一个可选实施例中,资源需求方类型包括有资源转移记录的资源需求方和无资源转移记录的资源需求方;备选概率预测模型包括不同资源需求方类型的备选概率预测模型。
资源转移记录可以用于确定资源提供方的资源向资源需求方的转移情况。目标资源可以是周期性转移的资源。资源需求方可以周期地向资源提供方获取目标资源。有资源转移记录的资源需求方可以为已经向资源提供方获取过目标资源的资源需求方。无资源转移记录的资源需求方可以为未曾向资源提供方获取过目标资源的资源需求方。对于同一目标资源和备选资源类型,不同类型的资源需求方的备选概率也不相同,相应的,备选概率预测模型可以包括不同资源需求方类型的备选概率预测模型。通过与资源需求方类型对应的备选概率预测模型对资源需求方的备选资源类型的备选概率进行预测,可以提高备选概率预测模型选择的灵活性和准确性。
本方案通过将资源需求方类型具体化为有资源转移记录的资源需求方和无资源转移记录的资源需求方,将备选概率预测模型具体化为不同资源需求方类型的备选概率预测模型,针对不同类型的资源需求方,适应性地选择对应的备选概率预测模型,提高了备选概率预测模型选择的灵活性,进一步提高了备选概率模型输出结果的准确度,从而进一步提高了资源分类的准确度。
实施例三
图3为本发明实施例三提供的一种资源分类装置的结构示意图。本发明实施例可适用于对资源类型进行确定的情况,该装置可以执行资源分类方法,该装置可以采用硬件和/或软件的形式实现,该装置可配置于承载资源分类功能的电子设备中。
参见图3所示的资源分类装置,包括:备选资源类型获取模块310、备选概率确定模块320和目标资源类型确定模块330。其中,备选资源类型获取模块310,用于获取资源需求方类型、资源信息和备选资源类型;备选概率确定模块320,用于根据资源需求方类型、资源信息和备选资源类型,确定资源需求方对备选资源类型的备选概率;目标资源类型确定模块330,用于根据备选资源类型和备选概率,计算备选资源类型对应的权重,并从各备选资源类型中筛选目标资源类型。
本发明实施例的技术方案,通过获取资源需求方类型、资源信息和备选资源类型,根据资源需求方类型、资源信息和备选资源类型,确定资源需求方对备选资源类型的备选概率,根据备选资源类型和备选概率,计算备选资源类型对应的权重,并从各备选资源类型中筛选目标资源类型,相较于根据资源的转移次数确定资源类型的方式,分类方式过于单一,存在资源分类的准确度低的问题,本发明实施例的技术方案考虑了资源需求方对备选资源类型的备选概率,提高了资源分类的准确度,通过计算各备选资源类型对应的权重,确定目标资源类型,兼顾了资源类型的确定效率。
在本发明的一个可选实施例中,备选概率确定模块320,包括:第一备选概率确定单元,用于根据资源需求方类型、资源信息、备选资源类型和备选资源类型变化量,确定资源需求方对备选资源类型的备选概率。
在本发明的一个可选实施例中,在备选概率确定模块320确定资源需求方对备选资源类型的备选概率之后,该装置还包括:备选概率估计值确定单元,用于根据资源需求方类型样本、资源信息样本和备选资源类型样本,确定备选资源类型样本的备选概率估计值;备选概率估计值排序单元,用于对备选概率估计值按照由小到大的顺序进行排序;备选概率样本获取单元,获取备选概率样本、样本估计窗口范围和备选概率估计值的分位数;备选概率样本包括响应样本和未响应样本;备选概率估计值选取单元,用于以备选概率估计值的分位数为中心,选取样本估计窗口范围内的各备选概率估计值;备选概率修正值确定单元,用于计算各备选概率估计值对应的备选概率样本中的响应样本的数量,与各备选概率估计值的数量的比值,并确定为备选概率估计值的分位数对应的备选概率修正值;第一备选概率修正单元,用于将与备选概率估计值的分位数相同的备选概率直接修正为对应的备选概率修正值;第二备选概率修正单元,用于根据备选概率估计值的分位数和对应的备选概率修正值,对与备选概率估计值的分位数不同的备选概率进行插值修正。
在本发明的一个可选实施例中,目标资源类型确定模块330,包括:资源转移率获取单元,用于获取资源需求方数量、资源提供方向资源需求方的平均资源转移数额和资源转移率;资源需求方数量为至少两个;资源转移乘积计算单元,用于计算资源提供方向资源需求方的平均资源转移数额和资源转移率之间的资源转移乘积;级别差值计算单元,用于计算备选资源类型与资源转移乘积之间的级别差值;备选资源类型权重计算单元,用于计算资源需求方数量、级别差值和备选概率之间的乘积,得到备选资源类型对应的权重;目标资源类型确定单元,用于选取权重最大值对应的备选资源类型,确定为目标资源类型。
在本发明的一个可选实施例中,备选概率确定模块320,包括:第二备选概率确定单元,用于将资源需求方类型、资源信息和备选资源类型输入至备选概率预测模型中,输出资源需求方对备选资源类型的备选概率;其中,备选概率预测模型的训练样本包括资源需求方类型样本、资源信息样本、备选资源类型样本和备选概率样本。
在本发明的一个可选实施例中,资源需求方类型包括有资源转移记录的资源需求方和无资源转移记录的资源需求方;备选概率预测模型包括不同资源需求方类型的备选概率预测模型。
在本发明的一个可选实施例中,资源信息包括资源类型和资源映射范围。
本发明实施例所提供的资源分类装置可执行本发明任意实施例所提供的资源分类方法,具备执行方法相应的功能模块和有益效果。
本发明实施例的技术方案中,所涉及的资源需求方类型、资源信息、备选资源类型、备选概率样本、样本估计窗口范围、资源需求方数量、资源提供方向资源需求方的平均资源转移数额和资源转移率等的获取、存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备400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4所示,电子设备400包括至少一个处理器401,以及与至少一个处理器401通信连接的存储器,如只读存储器(ROM)402、随机访问存储器(RAM)403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401可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储电子设备400操作所需的各种程序和数据。处理器401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
电子设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许电子设备400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401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401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401执行上文所描述的各个方法和处理,例如资源分类方法。
在一些实施例中,资源分类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408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到电子设备400上。当计算机程序加载到RAM 403并由处理器401执行时,可以执行上文描述的资源分类方法的一个或多个步骤。备选地,在其他实施例中,处理器401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行资源分类方法。
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,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(VirtualPrivate Server,虚拟专用服务器)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)
1.一种资源分类方法,其特征在于,包括:
获取资源需求方类型、资源信息和备选资源类型;
根据所述资源需求方类型、所述资源信息和所述备选资源类型,确定所述资源需求方对所述备选资源类型的备选概率;
根据所述备选资源类型和所述备选概率,计算所述备选资源类型对应的权重,并从各所述备选资源类型中筛选目标资源类型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述资源需求方类型、所述资源信息和所述备选资源类型,确定所述资源需求方对所述备选资源类型的备选概率,包括:
根据所述资源需求方类型、所述资源信息、所述备选资源类型和所述备选资源类型变化量,确定所述资源需求方对所述备选资源类型的备选概率。
3.根据权利要求1所述的方法,其特征在于,在所述确定所述资源需求方对所述备选资源类型的备选概率之后,还包括:
根据资源需求方类型样本、资源信息样本和备选资源类型样本,确定所述备选资源类型样本的备选概率估计值;
对所述备选概率估计值按照由小到大的顺序进行排序;
获取备选概率样本、样本估计窗口范围和备选概率估计值的分位数;所述备选概率样本包括响应样本和未响应样本;
以所述备选概率估计值的分位数为中心,选取所述样本估计窗口范围内的各所述备选概率估计值;
计算各所述备选概率估计值对应的备选概率样本中的响应样本的数量,与各所述备选概率估计值的数量的比值,并确定为备选概率估计值的分位数对应的备选概率修正值;
将与所述备选概率估计值的分位数相同的所述备选概率直接修正为对应的备选概率修正值;
根据所述备选概率估计值的分位数和对应的备选概率修正值,对与所述备选概率估计值的分位数不同的所述备选概率进行插值修正。
4.根据权利要求1所述的方法,其特征在于,所述根据所述备选资源类型和所述备选概率,计算所述备选资源类型对应的权重,包括:
获取资源需求方数量、资源提供方向资源需求方的资源提供方向资源需求方的平均资源转移数额和资源转移率;所述资源需求方数量为至少两个;
计算所述平均资源转移数额和所述资源转移率之间的资源转移乘积;
计算所述备选资源类型与所述资源转移乘积的之间级别差值;
计算所述资源需求方数量、所述级别差值和所述备选概率之间的乘积,得到所述备选资源类型对应的权重;
选取所述权重最大值对应的备选资源类型,确定为目标资源类型。
5.根据权利要求1所述的方法,其特征在于,所述根据所述资源需求方类型、所述资源信息和所述备选资源类型,确定所述资源需求方对所述备选资源类型的备选概率,包括:
将所述资源需求方类型、所述资源信息和所述备选资源类型输入至备选概率预测模型中,输出所述资源需求方对所述备选资源类型的备选概率;其中,备选概率预测模型的训练样本包括资源需求方类型样本、资源信息样本、备选资源类型样本和备选概率样本。
6.根据权利要求5所述的方法,其特征在于,所述资源需求方类型包括有资源转移记录的资源需求方和无资源转移记录的资源需求方;所述备选概率预测模型包括不同资源需求方类型的备选概率预测模型。
7.根据权利要求1所述的方法,其特征在于,所述资源信息包括资源类型和资源映射范围。
8.一种资源分类装置,其特征在于,包括:
备选资源类型获取模块,用于获取资源需求方类型、资源信息和备选资源类型;
备选概率确定模块,用于根据所述资源需求方类型、所述资源信息和所述备选资源类型,确定所述资源需求方对所述备选资源类型的备选概率;
目标资源类型确定模块,用于根据所述备选资源类型和所述备选概率,计算所述备选资源类型对应的权重,并从各所述备选资源类型中筛选目标资源类型。
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中任一项所述的资源分类方法。
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中任一项所述的资源分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311475011.0A CN117195104A (zh) | 2023-11-08 | 2023-11-08 | 资源分类方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311475011.0A CN117195104A (zh) | 2023-11-08 | 2023-11-08 | 资源分类方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117195104A true CN117195104A (zh) | 2023-12-08 |
Family
ID=88992836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311475011.0A Pending CN117195104A (zh) | 2023-11-08 | 2023-11-08 | 资源分类方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117195104A (zh) |
-
2023
- 2023-11-08 CN CN202311475011.0A patent/CN117195104A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112907128A (zh) | 基于ab测试结果的数据分析方法、装置、设备及介质 | |
CN111144941A (zh) | 商户评分的生成方法、装置、设备及可读存储介质 | |
CN116226628A (zh) | 一种特征优化方法、装置、设备及介质 | |
CN115907926A (zh) | 商品的推荐方法、装置、电子设备及存储介质 | |
CN117195104A (zh) | 资源分类方法、装置、电子设备及存储介质 | |
CN112669091B (zh) | 数据处理方法、装置及存储介质 | |
CN114999665A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN114760190A (zh) | 一种面向服务的融合网络性能异常检测方法 | |
CN117150215B (zh) | 一种考核结果确定方法、装置、电子设备及存储介质 | |
CN111754056B (zh) | 模型评估方法以及相关装置 | |
CN114398558B (zh) | 信息推荐方法、装置、电子设备和存储介质 | |
CN116975632A (zh) | 一种线索分发模型训练方法、装置、设备和介质 | |
CN117635272A (zh) | 对象推荐方法、装置、电子设备及存储介质 | |
CN116662194A (zh) | 软件质量度量方法、装置、设备及介质 | |
CN114116213A (zh) | 分布式系统中超额负载估计方法、装置、设备及存储介质 | |
CN112966210A (zh) | 一种存储用户数据的方法和装置 | |
CN115292606A (zh) | 一种信息推送方法、装置、设备和介质 | |
CN115858621A (zh) | 用户行为预测方法、装置、电子设备及存储介质 | |
CN117573983A (zh) | 一种融资方案的推荐方法、装置、电子设备及存储介质 | |
CN117010908A (zh) | 一种信息展示方法、装置、电子设备和存储介质 | |
CN115221421A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN117611324A (zh) | 信用评级方法、装置、电子设备和存储介质 | |
CN116228301A (zh) | 一种目标用户的确定方法、装置、设备及介质 | |
CN114493636A (zh) | 一种用户满意度确定方法、装置、电子设备及存储介质 | |
CN117592618A (zh) | 一种活跃用户预测方法、装置、服务器和存储介质 |
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 |