CN117435279A - 个人资源管理方法、装置、计算机设备和存储介质 - Google Patents
个人资源管理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117435279A CN117435279A CN202311248776.0A CN202311248776A CN117435279A CN 117435279 A CN117435279 A CN 117435279A CN 202311248776 A CN202311248776 A CN 202311248776A CN 117435279 A CN117435279 A CN 117435279A
- Authority
- CN
- China
- Prior art keywords
- resource management
- target user
- data
- user
- management behavior
- 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
- 238000007726 management method Methods 0.000 title description 186
- 230000006399 behavior Effects 0.000 claims abstract description 162
- 238000013145 classification model Methods 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 40
- 230000004044 response Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 11
- 238000003066 decision tree Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
- G06F9/453—Help systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Abstract
本申请涉及人工智能技术领域,特别是涉及一种个人资源管理方法、装置、计算机设备和存储介质。所述方法包括:响应于获取到针对目标用户的资源管理请求,获取目标用户的用户数据;用户数据包括资源管理行为数据和自我报告数据;采用特征分类模型组处理目标用户的用户数据,得到目标用户的资源管理行为类型;基于目标用户的资源管理行为类型,得到目标用户的预测资源管理行为;预测资源管理行为用于指示目标用户进行个人资源管理。采用本方法能够提高资源管理效率。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种个人资源管理方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着个人资源管理技术的发展,用户可以在线上进行个人资源的管理,但往往在这种情况下用户无指导,用户盲目进行个人资源管理,且资源管理效率较低,回报不明显。
目前的个人资源管理方式或者传统方法,存在资源管理效率低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高资源管理效率的个人资源管理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种个人资源管理方法,所述方法包括:
响应于获取到针对目标用户的资源管理请求,获取目标用户的用户数据;用户数据包括资源管理行为数据和自我报告数据;
采用特征分类模型组处理目标用户的用户数据,得到目标用户的资源管理行为类型;
基于目标用户的资源管理行为类型,得到目标用户的预测资源管理行为;预测资源管理行为用于指示目标用户进行个人资源管理。
在其中一个实施例中,特征分类模型组包括第一特征分类模型和第二特征分类模型;采用特征分类模型组处理目标用户的用户数据,得到目标用户的资源管理行为类型,包括:
采用第一特征分类模型处理目标用户的用户数据,得到第一分类结果;
采用第二特征分类模型处理目标用户的用户数据,得到第二分类结果;
基于第一分类结果和第二分类结果,得到目标用户的资源管理行为类型。
在其中一个实施例中,方法还包括:
获取历史用户的用户数据,对历史用户的用户数据进行预处理,得到训练数据;
基于训练数据对卷积神经网络模型进行训练,得到第一特征分类模型;
基于训练数据对决策树模型进行训练,得到第二特征分类模型。
在其中一个实施例中,基于第一分类结果和第二分类结果,得到目标用户的资源管理行为类型,包括:
对第一分类结果和第二分类结果进行标准化处理,得到第一标准化分类结果和第二标准化分类结果;
基于预设权重处理第一标准化分类结果和第二标准化分类结果,得到目标用户的资源管理行为类型。
在其中一个实施例中,预处理包括数据缺失值处理、数据异常值处理以及数据标准化处理中的至少一种。
在其中一个实施例中,基于目标用户的资源管理行为类型,得到目标用户的预测资源管理行为,包括:
对历史用户的用户数据进行筛选,得到参考数据;
基于参考数据得到资源管理行为类型和预测资源管理行为的映射关系;
根据资源管理行为类型和预测资源管理行为的映射关系,以及目标用户的资源管理行为类型,得到目标用户的预测资源管理行为。
第二方面,本申请提供了一种个人资源管理装置,所述装置包括:
目标用户数据获取模块,用于响应于获取到针对目标用户的资源管理请求,获取目标用户的用户数据;用户数据包括资源管理行为数据和自我报告数据;
目标用户行为分类模块,用于采用特征分类模型组处理目标用户的用户数据,得到目标用户的资源管理行为类型;
目标用户行为预测模块,用于基于目标用户的资源管理行为类型,得到目标用户的预测资源管理行为;预测资源管理行为用于指示目标用户进行个人资源管理。
第三方面,本申请提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述的方法的步骤。
第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述的方法的步骤。
第五方面,本申请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的方法的步骤。
上述个人资源管理方法、装置、计算机设备、存储介质和计算机程序产品,方法通过响应于获取到针对目标用户的资源管理请求,获取目标用户的用户数据;用户数据包括资源管理行为数据和自我报告数据,通过获取上述数据,可以准确提取目标用户的资源管理行为类型,进而提高基于目标用户的资源管理行为类型预测目标用户的资源管理行为的准确性;采用特征分类模型组处理目标用户的用户数据,得到目标用户的资源管理行为类型,进而可以确定目标用户的个人资源管理风格,作为预测目标用户的资源管理行为的依据;基于目标用户的资源管理行为类型,得到目标用户的预测资源管理行为;预测资源管理行为用于指示目标用户进行个人资源管理,可以为目标用户提供个人资源管理的指导,进而提高资源管理效率。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术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申请的一些实施例,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为一个实施例中个人资源管理方法的流程示意图;
图2为一个实施例中个人资源管理步骤的流程示意图;
图3为另一个实施例中个人资源管理方法的流程示意图;
图4为另一个实施例中个人资源管理步骤的流程示意图;
图5为又一个实施例中个人资源管理步骤的流程示意图;
图6为一个实施例中个人资源管理装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,提供了一种个人资源管理方法,如图1所示,所述方法包括:
步骤110,响应于获取到针对目标用户的资源管理请求,获取目标用户的用户数据;用户数据包括资源管理行为数据和自我报告数据;
具体而言,响应于获取到针对目标用户的资源管理请求,例如,接收到目标用户对应的终端发出的资源管理请求,可以获取目标用户的用户数据,目标用户的用户数据可以为目标用户对应的终端传输的用户数据,也可以为通过服务器的数据存储系统查询得到的目标用户的用户数据。其中,用户数据包括资源管理行为数据和自我报告数据,资源管理行为数据可以包括资源管理行为类别、资源管理行为频率或周期、资源管理行为对应的资源转移属性值、以及资源管理行为对应的回报率等等,其中,资源管理行为类别用于表征资源管理行为所对应的业务或产品的类别;自我报告数据可以包括资源管理偏好类别、资源管理偏好属性值、资源管理偏好频率或周期、以及资源管理预期回报率等等。通过获取上述数据,可以准确提取目标用户的资源管理行为类型,进而提高预测目标用户的资源管理行为的准确性。
在一些示例中,自我报告数据可以通过向目标用户对应的终端提供预设的表单,并接收目标用户对应的终端传输的输入表单的信息予以实现;预设的表单可以为调查问卷的形式,并可以通过对接收到的信息进行语义识别和关键词提取,进而得到自我报告数据。
在一些示例中,方法可以应用于服务器,服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。目标用户对应的终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。其中,目标用户对应的终端通过网络与服务器进行通信。数据存储系统可以存储服务器需要处理的数据。数据存储系统可以集成在服务器上,也可以放在云上或其他网络服务器上。
步骤120,采用特征分类模型组处理目标用户的用户数据,得到目标用户的资源管理行为类型;
具体而言,可以采用特征分类模型组处理目标用户的用户数据,资源管理行为类型可以对目标用户的用户数据进行特征提取,进而得到目标用户的资源管理行为类型,目标用户的资源管理行为类型可以用于表征目标用户的个人资源管理风格。特征分类模型组可以包括至少一个特征分类模型,特征分类模型可以基于训练数据进行训练得到。通过上述方式可以确定目标用户的个人资源管理风格,并作为预测目标用户的资源管理行为的依据。
在一些示例中,特征分类模型组可以包括一个或多个特征分类模型,在多个特征分类模型的情况下,各特征分类模型可以基于不同的算法训练得到。例如,特征分类模型组可以包括基于卷积神经网络的特征分类模型、基于决策树(Decision Tree)的特征分类模型、基于逻辑回归(Logistic Regression)的特征分类模型、以及基于K近邻算法(K-Nearest Neighbors,KNN)的特征分类模型等特征分类模型中的一种或多种。
步骤130,基于目标用户的资源管理行为类型,得到目标用户的预测资源管理行为;预测资源管理行为用于指示目标用户进行个人资源管理。
具体而言,可以基于目标用户的资源管理行为类型,可以预测目标用户的资源管理行为,进而得到目标用户的预测资源管理行为;可以将目标用户的预测资源管理行为传输至目标用户的对应终端,以指示目标用户进行个人资源管理,为目标用户进行个人资源管理提供参考,进而提高了个人资源管理的效率。
在一些示例中,可以基于目标用户的预测资源管理行为,针对目标用户提供相应的资源产品的推送,以提高资源产品的推送转化率。
本申请实施例通过响应于获取到针对目标用户的资源管理请求,获取目标用户的用户数据;用户数据包括资源管理行为数据和自我报告数据,通过获取上述数据,可以准确提取目标用户的资源管理行为类型,进而提高基于目标用户的资源管理行为类型预测目标用户的资源管理行为的准确性;采用特征分类模型组处理目标用户的用户数据,得到目标用户的资源管理行为类型,进而可以确定目标用户的个人资源管理风格,作为预测目标用户的资源管理行为的依据;基于目标用户的资源管理行为类型,得到目标用户的预测资源管理行为;预测资源管理行为用于指示目标用户进行个人资源管理,可以为目标用户提供个人资源管理的指导,进而提高资源管理效率。
在其中一个实施例中,特征分类模型组包括第一特征分类模型和第二特征分类模型;如图2所示,采用特征分类模型组处理目标用户的用户数据,得到目标用户的资源管理行为类型,包括:
步骤210,采用第一特征分类模型处理目标用户的用户数据,得到第一分类结果;
步骤220,采用第二特征分类模型处理目标用户的用户数据,得到第二分类结果;
步骤230,基于第一分类结果和第二分类结果,得到目标用户的资源管理行为类型。
具体而言,特征分类模型组,可以采用两种不同类型的特征分类模型,例如,第一特征分类模型和第二特征分类模型,以结合两种特征分类模型的特性,提高特征分类的准确度和精度。其中,第一特征分类模型可以用于处理目标用户的用户数据,得到第一分类结果,第一分类结果可以用于表征基于第一特征分类模型得到的目标用户的资源管理行为类型;第二特征分类模型可以用于处理目标用户的用户数据,得到的第二分类结果,第二分类结果可以用于表征基于第二特征分类模型得到的目标用户的资源管理行为类型;可以结合第一分类结果和第二分类结果,例如,将第一分类结果和第二分类结果进行标准化后进行加权处理,可以将最终得到的概率最大的一个资源管理行为类型确定为目标用户的资源管理行为类型,目标用户的资源管理行为类型也可以包括按概率大小排序的多个资源管理行为类型。需要说明的是,目标用户的资源管理行为类型仅为抽象特征分类的结果,用于表征目标用户的个人资源管理风格,而不是与实际的业务或产品的类别相对应。
在一些示例中,第一分类结果可以包括基于第一特征分类模型得到的目标用户的可能的资源管理行为类型,以及各可能的资源管理行为类型对应的概率;第二分类结果可以包括基于第二特征分类模型得到的目标用户的可能的资源管理行为类型,以及各可能的资源管理行为类型对应的概率。同样的,目标用户的资源管理行为类型也可以包括结合第一分类结果和第二分类结果得到的目标用户的可能的资源管理行为类型,以及各可能的资源管理行为类型对应的概率。
在其中一个实施例中,如图3所示,方法还包括:
步骤310,获取历史用户的用户数据,对历史用户的用户数据进行预处理,得到训练数据;
步骤320,基于训练数据对卷积神经网络模型进行训练,得到第一特征分类模型;
步骤330,基于训练数据对决策树模型进行训练,得到第二特征分类模型。
具体而言,获取历史用户的用户数据,历史用户的用户数据可以包括历史用户的资源管理行为数据和自我报告数据;对历史用户的用户数据进行预处理,得到训练数据,以便后续的模型训练使用。其中,预处理可以包括数据缺失值处理、数据异常值处理以及数据标准化处理中的至少一种,用于提高训练数据的可用性;可以基于训练数据对卷积神经网络模型进行训练,例如,将训练数据作为卷积神经网络的输入数据,对卷积神经网络模型进行训练,得到第一特征分类模型;需要说明的是,卷积神经网络是一种深度学习模型,它可以通过学习数据的特征来进行分类任务。通过训练,模型会自动学习到数据中的特征,并生成一个分类模型,用于对新的数据进行分类。可以基于训练数据对决策树模型进行训练,例如,将训练数据作为决策树模型的输入数据,对决策树模型进行训练,得到第二特征分类模型。需要说明的是,决策树是一种基于树状结构的分类模型,通过对特征进行逐层划分,构建一个树状结构,从而实现对样本的分类。通过训练,模型会自动学习到数据中的规律和决策边界,生成一个分类模型,用于对新的数据进行分类。
在一些示例中,卷积神经网络模型可以通过建立损失函数,将个人资源管理风格映射为特征向量,通过卷积神经网络的卷积层、池化层和全连接层,可以用于对个人资源管理风格进行分类,以用于确定目标用户的个人资源管理风格。决策树模型可以基于C4.5算法构建,C4.5算法通过使用增益率得到最优的划分属性、通过后剪枝处理来解决叶子节点过多等问题。第一特征分类模型以及第二特征分类模型可以均为通过测试数据验证的模型。基于第一特征分类模型以及第二特征分类模型,可以得到目标用户的资源管理行为类型,进而为预测目标用户的预测资源管理行为提供准确的数据支持。
在其中一个实施例中,如图4所示,基于第一分类结果和第二分类结果,得到目标用户的资源管理行为类型,包括:
步骤410,对第一分类结果和第二分类结果进行标准化处理,得到第一标准化分类结果和第二标准化分类结果;
步骤420,基于预设权重处理第一标准化分类结果和第二标准化分类结果,得到目标用户的资源管理行为类型。
具体而言,可以将第一分类结果和第二分类结果进行标准化处理,以将第一分类结果和第二分类结果转换为具有相同比例和单位的数值,得到第一标准化分类结果和第二标准化分类结果;可以基于预设的权重对第一标准化分类结果和第二标准化分类结果进行处理,通过将权重应用于第一标准化分类结果和第二标准化分类结果,可以根据相应的重要性对第一标准化分类结果和第二标准化分类结果进行加权处理,得到目标用户的资源管理行为类型。通过上述方式得到的目标用户的资源管理行为类型,是通过综合考虑第一标准化分类结果和第二标准化分类结果,并根据预设权重进行加权处理得到的,能够提高得到的目标用户的资源管理行为类型的准确性。
在其中一个实施例中,如图5所示,基于目标用户的资源管理行为类型,得到目标用户的预测资源管理行为,包括:
步骤510,对历史用户的用户数据进行筛选,得到参考数据;
步骤520,基于参考数据得到资源管理行为类型和预测资源管理行为的映射关系;
步骤530,根据资源管理行为类型和预测资源管理行为的映射关系,以及目标用户的资源管理行为类型,得到目标用户的预测资源管理行为。
具体而言,通过相关性分析,可以得到资源管理行为类型与资源管理行为具有一定的相关性,可以基于资源管理行为类型预测资源管理行为。可以对历史用户的用户数据进行筛选,得到参考数据,具体的,可以根据基于用户数据预设的期望值进行筛选,例如,可以设置回报率的期望值,筛选出资源管理行为对应的回报率大于期望值的数据作为参考数据,以用于为目标用户提供参考依据。基于参考数据,可以得到资源管理行为类型和预测资源管理行为的映射关系,例如,通过相应神经网络模型的训练,得到用于表征资源管理行为类型和预测资源管理行为的映射关系的神经网络模型,其中,资源管理行为类型可以作为模型的输入,预测资源管理行为可以作为模型的输出。进一步的,基于资源管理行为类型和预测资源管理行为的映射关系,可以基于目标用户的资源管理行为类型进行预测,得到目标用户的预测资源管理行为。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的个人资源管理方法的个人资源管理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个个人资源管理装置实施例中的具体限定可以参见上文中对于个人资源管理方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种个人资源管理装置,所述装置包括:
目标用户数据获取模块610,用于响应于获取到针对目标用户的资源管理请求,获取目标用户的用户数据;用户数据包括资源管理行为数据和自我报告数据;
目标用户行为分类模块620,用于采用特征分类模型组处理目标用户的用户数据,得到目标用户的资源管理行为类型;
目标用户行为预测模块630,用于基于目标用户的资源管理行为类型,得到目标用户的预测资源管理行为;预测资源管理行为用于指示目标用户进行个人资源管理。
在其中一个实施例中,特征分类模型组包括第一特征分类模型和第二特征分类模型;采用特征分类模型组处理目标用户的用户数据,得到目标用户的资源管理行为类型,目标用户行为分类模块620还用于采用第一特征分类模型处理目标用户的用户数据,得到第一分类结果;
采用第二特征分类模型处理目标用户的用户数据,得到第二分类结果;
基于第一分类结果和第二分类结果,得到目标用户的资源管理行为类型。
在其中一个实施例中,装置还包括:
训练数据获取模块,用于获取历史用户的用户数据,对历史用户的用户数据进行预处理,得到训练数据;
第一模型训练模块,用于基于训练数据对卷积神经网络模型进行训练,得到第一特征分类模型;
第二模型训练模块,用于基于训练数据对决策树模型进行训练,得到第二特征分类模型。
在其中一个实施例中,目标用户行为分类模块620还用于对第一分类结果和第二分类结果进行标准化处理,得到第一标准化分类结果和第二标准化分类结果;
基于预设权重处理第一标准化分类结果和第二标准化分类结果,得到目标用户的资源管理行为类型。
在其中一个实施例中,目标用户行为预测模块630还用于对历史用户的用户数据进行筛选,得到参考数据;
基于参考数据得到资源管理行为类型和预测资源管理行为的映射关系;
根据资源管理行为类型和预测资源管理行为的映射关系,以及目标用户的资源管理行为类型,得到目标用户的预测资源管理行为。
上述个人资源管理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述的方法的步骤。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户数据(包括资源管理行为数据和自我报告数据)、训练数据以及参考数据等用于个人资源管理的数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种个人资源管理方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述的方法的步骤。
在一个实施例中,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的方法的步骤。
需要说明的是,本申请所涉及的用户数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的数据,且相关数据的收集、使用和处理需要符合相关规定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种个人资源管理方法,其特征在于,所述方法包括:
响应于获取到针对目标用户的资源管理请求,获取所述目标用户的用户数据;所述用户数据包括资源管理行为数据和自我报告数据;
采用特征分类模型组处理所述目标用户的所述用户数据,得到所述目标用户的资源管理行为类型;
基于所述目标用户的资源管理行为类型,得到所述目标用户的预测资源管理行为;所述预测资源管理行为用于指示所述目标用户进行个人资源管理。
2.根据权利要求1所述的方法,其特征在于,所述特征分类模型组包括第一特征分类模型和第二特征分类模型;所述采用特征分类模型组处理所述目标用户的所述用户数据,得到所述目标用户的资源管理行为类型,包括:
采用所述第一特征分类模型处理所述目标用户的所述用户数据,得到第一分类结果;
采用所述第二特征分类模型处理所述目标用户的所述用户数据,得到第二分类结果;
基于所述第一分类结果和所述第二分类结果,得到所述目标用户的资源管理行为类型。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取历史用户的所述用户数据,对所述历史用户的所述用户数据进行预处理,得到训练数据;
基于所述训练数据对卷积神经网络模型进行训练,得到所述第一特征分类模型;
基于所述训练数据对决策树模型进行训练,得到所述第二特征分类模型。
4.根据权利要求2所述的方法,其特征在于,所述基于所述第一分类结果和所述第二分类结果,得到所述目标用户的资源管理行为类型,包括:
对所述第一分类结果和所述第二分类结果进行标准化处理,得到第一标准化分类结果和第二标准化分类结果;
基于预设权重处理所述第一标准化分类结果和所述第二标准化分类结果,得到所述目标用户的资源管理行为类型。
5.根据权利要求3所述的方法,其特征在于,所述预处理包括数据缺失值处理、数据异常值处理以及数据标准化处理中的至少一种。
6.根据权利要求3所述的方法,其特征在于,所述基于所述目标用户的资源管理行为类型,得到所述目标用户的预测资源管理行为,包括:
对所述历史用户的所述用户数据进行筛选,得到参考数据;
基于所述参考数据得到资源管理行为类型和预测资源管理行为的映射关系;
根据所述资源管理行为类型和预测资源管理行为的映射关系,以及所述目标用户的资源管理行为类型,得到所述目标用户的预测资源管理行为。
7.一种个人资源管理装置,其特征在于,所述装置包括:
目标用户数据获取模块,用于响应于获取到针对目标用户的资源管理请求,获取所述目标用户的用户数据;所述用户数据包括资源管理行为数据和自我报告数据;
目标用户行为分类模块,用于采用特征分类模型组处理所述目标用户的所述用户数据,得到所述目标用户的资源管理行为类型;
目标用户行为预测模块,用于基于所述目标用户的资源管理行为类型,得到所述目标用户的预测资源管理行为;所述预测资源管理行为用于指示所述目标用户进行个人资源管理。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一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,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311248776.0A CN117435279A (zh) | 2023-09-26 | 2023-09-26 | 个人资源管理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311248776.0A CN117435279A (zh) | 2023-09-26 | 2023-09-26 | 个人资源管理方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117435279A true CN117435279A (zh) | 2024-01-23 |
Family
ID=89547127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311248776.0A Pending CN117435279A (zh) | 2023-09-26 | 2023-09-26 | 个人资源管理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117435279A (zh) |
-
2023
- 2023-09-26 CN CN202311248776.0A patent/CN117435279A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11922308B2 (en) | Generating neighborhood convolutions within a large network | |
WO2020232877A1 (zh) | 一种问题答案选取方法、装置、计算机设备及存储介质 | |
CN111667022A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
US11093833B1 (en) | Multi-objective distributed hyperparameter tuning system | |
CN109766454A (zh) | 一种投资者分类方法、装置、设备及介质 | |
CN107622326B (zh) | 用户分类、可用资源预测方法、装置及设备 | |
CN110197207B (zh) | 对未归类用户群进行归类的方法及相关装置 | |
CN116451093A (zh) | 电路故障分析模型的训练方法以及电路故障分析方法 | |
CN113609337A (zh) | 图神经网络的预训练方法、训练方法、装置、设备及介质 | |
CN110705889A (zh) | 一种企业筛选方法、装置、设备及存储介质 | |
CN116383441A (zh) | 社群检测方法、装置、计算机设备和存储介质 | |
CN115883172A (zh) | 异常监测方法、装置、计算机设备和存储介质 | |
CN114881761A (zh) | 相似样本的确定方法与授信额度的确定方法 | |
CN117435279A (zh) | 个人资源管理方法、装置、计算机设备和存储介质 | |
CN114693409A (zh) | 产品匹配方法、装置、计算机设备、存储介质和程序产品 | |
CN114254762A (zh) | 可解释性机器学习模型构建方法、装置和计算机设备 | |
Albertini et al. | Energy-based function to evaluate data stream clustering | |
US11829735B2 (en) | Artificial intelligence (AI) framework to identify object-relational mapping issues in real-time | |
US20230018525A1 (en) | Artificial Intelligence (AI) Framework to Identify Object-Relational Mapping Issues in Real-Time | |
CN115496158A (zh) | 对象价值预测方法、装置、计算机设备和存储介质 | |
CN116628538A (zh) | 基于图对齐神经网络的患者聚类方法、装置和计算机设备 | |
CN117459576A (zh) | 基于边缘计算的数据推送方法、装置和计算机设备 | |
CN116910604A (zh) | 用户分类方法、装置、计算机设备、存储介质和程序产品 | |
CN116306985A (zh) | 预测模型训练方法、装置、计算机设备和存储介质 | |
Saleh et al. | Design of decision support system for loans based on data mining techniques |
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 |