CN117557157A - 一种基于卷积神经网络的质量考核评价方法 - Google Patents
一种基于卷积神经网络的质量考核评价方法 Download PDFInfo
- Publication number
- CN117557157A CN117557157A CN202311618669.2A CN202311618669A CN117557157A CN 117557157 A CN117557157 A CN 117557157A CN 202311618669 A CN202311618669 A CN 202311618669A CN 117557157 A CN117557157 A CN 117557157A
- Authority
- CN
- China
- Prior art keywords
- information
- sample
- use environment
- product
- reference product
- 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.)
- Granted
Links
- 238000001303 quality assessment method Methods 0.000 title claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 28
- 238000011156 evaluation Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000015654 memory Effects 0.000 claims description 37
- 230000000875 corresponding effect Effects 0.000 claims description 31
- 238000001914 filtration Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 17
- 230000002596 correlated effect Effects 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 11
- 238000013441 quality evaluation Methods 0.000 abstract description 8
- 238000004590 computer program Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000000605 extraction Methods 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
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于卷积神经网络的质量考核评价方法,即便是针对时序性不明显的产品,也能够较为充分地考察产品随时间表现出的特征,进而较为客观地对产品质量进行考核评价。此外,本说明书中的方法在LSTM模型训练较为困难的体系下,实现了基于卷积神经网络的产品质量考核评价,并达到了相应的评价效果。一方面,通过以管理、监督目的的数据处理,实现了对产品的使用效果的预测,得到了针对产品的质量考核评价结果。另一方面,得到的质量考核评价结果,为进一步地减少监督、管理资源的消耗提供了条件。
Description
技术领域
本申请涉及适用于管理、监督或预测目的的数据处理技术领域,尤其涉及一种基于卷积神经网络的质量考核评价方法。
背景技术
质量是指事物、产品或工作的优劣程度。何为“优”、何为“劣”,其定义通常会随时间和场景发生变化。
某一项工作的效果通常会在工作完成之后才会表现出来。某一产品是否达到预期,也需要时间的验证。此外,在A地区结合其生产条件、加工水平制造出来的产品,也未必能够切实地符合B地区的需求。也就是说,质量的展现在时间上具有延后性,或者在适用条件上具有一定的预见性难度。如此,就给质量评价带来了的困扰。
一方面,能够说明监督或预测目的的数据处理技术在质量考核评价方法相关技术领域大有可为;另一方面,也能够说明在该领域的技术挖掘还具有较为宽泛的扩展前景。
此外,相关技术中,在考察产品质量在时序性方面的特征时,通常会使用LSTM模型(Long Short-term Memory Networks)。然而,产品可能并非像体育竞技一样,在不同时刻能够表现出鲜明的特征,导致了训练LSTM模型的样本构建方面存在一定的难度。并且,模型构建、模型训练均会带来一定的资源开销,对于成熟的卷积神经网络模型训练体系而言,若转换为LSTM模型的训练将有可能提高时间成本。
发明内容
本申请实施例提供了一种基于卷积神经网络的质量考核评价方法,以至少部分的解决上述技术问题。
本申请实施例采用下述技术方案:
第一方面,本申请实施例提供一种基于卷积神经网络的质量考核评价方法,所述方法包括:
确定参照产品、所述参照产品的使用环境第一信息、以及所述参照产品的使用环境第二信息;所述参照产品是历史上投放的产品;所述使用环境第一信息用于表征所述参照产品在投放后的第一时间段内,对所述参照产品做出的反馈;所述使用环境第二信息用于表征所述参照产品在投放后的第二时间段内,对所述参照产品做出的反馈;所述第二时间段位于所述第一时间段之后;
在所述使用环境第一信息和所述使用环境第二信息均表示出正面反馈的情况下,将所述参照产品的信息作为第一样本;在所述使用环境第一信息和所述使用环境第二信息均表示出负面反馈的情况下,将所述参照产品的信息作为第二样本;
采用所述参照产品的信息中除所述第一样本和所述第二样本以外的,对所述第一样本进行过滤处理;
基于所述过滤处理后的所述第一样本、以及其对应的所述使用环境第一信息和所述使用环境第二信息,构建正样本;基于所述第二样本、以及其对应的所述使用环境第一信息和所述使用环境第二信息,构建负样本;所述正样本和所述负样本均为表征所述参照产品的信息和使用环境信息之间的对应关系的特征图;
采用所述正样本和所述负样本训练卷积神经网络,得到目标模型;
确定目标特征图;所述目标特征图用于表征目标产品、以及所述目标产品的使用环境信息之间的对应关系;
采用所述目标模型基于所述目标特征图,预测所述目标产品的质量考核评价结果。
在本说明书一个可选的实施例中,采用所述参照产品的信息中除所述第一样本和所述第二样本以外的,对所述第一样本进行过滤处理,包括:
确定所述使用环境第一信息、所述使用环境第二信息之一表示出负面反馈的参照产品,作为待定样本;
确定所述待定样本与所述第一样本的第一最大相似度、以及与所述第二样本的第二最大相似度;
若所述第一最大相似度和所述第二最大相似度的差值不大于预设的差值阈值,则删除所述第一最大相似度对应的第一样本,以实现对所述第一样本的过滤处理。
在本说明书一个可选的实施例中,所述差值阈值与所述目标产品与所述第一样本的平均相似度负相关。
在本说明书一个可选的实施例中,所述差值阈值与所述目标产品与所述待定样本的平均相似度负相关。
在本说明书一个可选的实施例中,构建所述负样本,包括:
对所述第二样本,进行特征提取,将得到的特征,作为第二节点;
确定第一权重,使得所述第一权重与所述第二节点与所述使用环境第一信息的匹配度正相关;
确定第二权重,使得所述第二权重与所述第二节点与所述使用环境第二信息的匹配度正相关;
基于所述第一权重和所述第二权重,确定所述第二节点和预设的负节点之间的第二目标权重;使得所述第二目标权重与所述第一权重和所述第二权重均正相关;
基于所述第二节点、所述负节点、以及所述第二目标权重,构建所述负样本。
在本说明书一个可选的实施例中,所述方法还包括;
在所述目标产品与所述第二样本的相似度大于预设的相似度阈值的情况下,所述第二权重还与所述第一权重正相关。
第二方面,本申请实施例还提供一种基于卷积神经网络的质量考核评价装置,所述装置包括:
信息获取模块,配置为:确定参照产品、所述参照产品的使用环境第一信息、以及所述参照产品的使用环境第二信息;所述参照产品是历史上投放的产品;所述使用环境第一信息用于表征所述参照产品在投放后的第一时间段内,对所述参照产品做出的反馈;所述使用环境第二信息用于表征所述参照产品在投放后的第二时间段内,对所述参照产品做出的反馈;所述第二时间段位于所述第一时间段之后;
样本确定模块,配置为:在所述使用环境第一信息和所述使用环境第二信息均表示出正面反馈的情况下,将所述参照产品的信息作为第一样本;在所述使用环境第一信息和所述使用环境第二信息均表示出负面反馈的情况下,将所述参照产品的信息作为第二样本;
过滤模块,配置为:采用所述参照产品的信息中除所述第一样本和所述第二样本以外的,对所述第一样本进行过滤处理;
样本构建模块,配置为:基于所述过滤处理后的所述第一样本、以及其对应的所述使用环境第一信息和所述使用环境第二信息,构建正样本;基于所述第二样本、以及其对应的所述使用环境第一信息和所述使用环境第二信息,构建负样本;所述正样本和所述负样本均为表征所述参照产品的信息和使用环境信息之间的对应关系的特征图;
训练模块,配置为:采用所述正样本和所述负样本训练卷积神经网络,得到目标模型;
目标特征图确定模块,配置为:确定目标特征图;所述目标特征图用于表征目标产品、以及所述目标产品的使用环境信息之间的对应关系;
评价结果生成模块,配置为:采用所述目标模型基于所述目标特征图,预测所述目标产品的质量考核评价结果。
第三方面,本申请实施例还提供一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行第一方面所述的方法步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行第一方面所述的方法步骤。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
本说明书中的方法用于对产品的质量进行考核评价。尤其适用于产品的性能、特征、投放之后的使用效果难以表现出时序性的情况下,以及模型训练体系对针对时序性知识的学习较为困难的情况下。基于本说明书中的方法,即便是针对时序性不明显的产品,也能够较为充分地考察产品随时间表现出的特征,进而较为客观地对产品质量进行考核评价。此外,本说明书中的方法在LSTM模型训练较为困难的体系下,实现了基于卷积神经网络的产品质量考核评价,并达到了相应的评价效果。通过本说明书的方法,一方面,通过以管理、监督目的的数据处理,实现了对产品的使用效果的预测,得到了针对产品的质量考核评价结果。另一方面,得到的质量考核评价结果,为进一步地减少监督、管理资源的消耗提供了条件。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本说明书实施例提供的一种基于卷积神经网络的质量考核评价方法的过程示意图;
图2为本说明书实施例中一种电子设备的结构示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其它元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
以下结合附图,详细说明本申请各实施例提供的技术方案。
如图1所示,本说明书中的基于卷积神经网络的质量考核评价方法包含以下步骤:
S100:确定参照产品、所述参照产品的使用环境第一信息、以及所述参照产品的使用环境第二信息。
本说明书中的产品按照其在技术方案中发挥的作用,可分为参照产品以及下文中的目标产品。参照产品是历史上被投放至市场上的产品。目标产品是尚未投放市场,需要在投放市场之前,对其质量进行考核评价的产品。若质量考核评价结果不理想,可以放弃针对该目标产品的投放,以避免损失。
本说明书涉及的产品可以是诸如电子产品、服装鞋帽、食品等具有实体的产品;还可以是诸如支付服务、信息推荐服务这样的虚拟产品。
本说明书中的参照产品是历史上投放的产品。所述使用环境第一信息用于表征所述参照产品在投放后的第一时间段内,对所述参照产品做出的反馈。所述使用环境第二信息用于表征所述参照产品在投放后的第二时间段内,对所述参照产品做出的反馈。所述第二时间段位于所述第一时间段之后。例如,第一时间段是XX年的1月至6月,第二时间段可以是XX年的7月至12月。也就是说,本说明书中的第一时间段和第二时间段之间无交集。第一时间段和第二时间段的时长可以相同也可以不同。
本说明书中的使用环境可以包含使用产品的用户的集合,还可以包含其他环境。例如,在产品是某应用程序的情况下,运行该应用程序的操作系统会记录或反馈该应用程序的一些运行信息,例如报错信息等,这些都可以构成使用环境信息。
S102:在所述使用环境第一信息和所述使用环境第二信息均表示出正面反馈的情况下,将所述参照产品的信息作为第一样本;在所述使用环境第一信息和所述使用环境第二信息均表示出负面反馈的情况下,将所述参照产品的信息作为第二样本。
反馈可以是视为使用环境对产品做出的评价。例如,在产品是某应用程序的情况下,该评价可以是用户做出的。此外,运行信息也可以反映出该应用程序的允许效果,若出现运行错误、窃取用户信息等行为,则视为负面的反馈。若用户打分较高,则视为正面的反馈。
本说明书中的第一样本可以用于构建正样本,第二样本可以用于构建负样本,正负样本对应于正负标签,可以用于有监督的学习。本说明书中的方法在区分正负样本时,考察了不同时间内使用环境信息的差异,则能够通过第一样本和第二样本的信息反映出信息的时序性,并对正负样本各自表现出的时序性加以区分,进而,在后续的模型训练过程中,可以使得模型学习到这种时序性以及时序性表现出的差异。
S104:采用所述参照产品的信息中除所述第一样本和所述第二样本以外的,对所述第一样本进行过滤处理。
本说明书中的第一样本在第一时间段和第二时间段内表现出的反馈均为正面的,但是本说明书中的产品是那些时序性不明显的产品,有可能存在某些反馈尚未发生的情形。也就是说,第一样本中有可能存在隐含的第二样本。故此,存在对第一样本进行过滤的可能性。
在本说明书一个可选的实施例中,过滤的过程可以是:确定所述使用环境第一信息、所述使用环境第二信息之一表示出负面反馈的参照产品,作为待定样本(即,参照产品的信息中除所述第一样本和所述第二样本以外的)。确定所述待定样本与所述第一样本的第一最大相似度(由于第一样本不唯一,则第一最大相似度是与第一样本的相似度中取值最大的。在待定样本不唯一的情况下,可以针对每个待定样本执行相似度的确定)、以及与所述第二样本的第二最大相似度。若所述第一最大相似度和所述第二最大相似度的差值不大于预设的差值阈值(表明第一样本中存在隐含的第二样本的可能性较大),则删除所述第一最大相似度对应的第一样本,以实现对所述第一样本的过滤处理。可见,该实施例能够通过待定样本在第一样本和第二样本之间建立关联,用于基于第二样本和待定样本,对第一样本的合理性的进行衡量,删除那些隐含的、随时间延续可能会发生反馈变化的第一样本,避免这些样本混淆模型的评价能力。
在本说明书一个可选的实施例中,差值阈值与所述目标产品与所述第一样本的平均相似度负相关。此外,差值阈值与所述目标产品还可以与所述待定样本的平均相似度负相关。
可见,本说明书中的方法针对时序性不明显的第一样本,能够一定程度的预测其在未来的表现,进而实现对第一样本的筛选。
相关技术中,用于确定信息间的相似度的技术手段,在条件允许的情况下,均适用于本说明书。
S106:基于所述过滤处理后的所述第一样本、以及其对应的所述使用环境第一信息和所述使用环境第二信息,构建正样本;基于所述第二样本、以及其对应的所述使用环境第一信息和所述使用环境第二信息,构建负样本。
本说明书中的正负样本用于对模型进行训练。正样本和所述负样本均为表征参照产品的信息和使用环境信息之间的对应关系的特征图(可以是有向图,也可以是无向图,使用环境信息包含使用环境第一信息和使用环境第二信息)。相关技术中,用于基于信息构建特征图的技术方案,在条件允许的情况下,均适用于本说明书。
此外,在本说明书一个可选的实施例中,对所述过滤处理后的所述第一样本,进行特征提取,将得到的特征(相关技术中,用于实现针对信息的特征提取的技术方案,在条件允许的情况下,均适用于本说明书),作为第一节点;确定第一权重,使得所述第一权重与所述第一节点与所述使用环境第一信息的匹配度(相关技术中,用于确定匹配度的技术手段,在条件允许的情况下,均适用于本说明书)正相关。确定第二权重,使得所述第二权重与所述第一节点与所述使用环境第二信息的匹配度正相关。基于所述第一权重和所述第二权重,确定所述第一节点和预设的正节点(正节点具有标签的作用,包含正节点的样本即为正样本)之间的第一目标权重;使得所述第一目标权重与所述第一权重和所述第二权重均正相关;基于所述第一节点、所述正节点、以及所述第一节点和所述正节点之间的第一目标权重,构建所述正样本(本步骤即为绘制图像的过程)。第一节点不唯一,则可以针对每个第一节点执行上述步骤,以实现特征图的绘制。
确定负样本的过程可以是:对所述第二样本,进行特征提取,将得到的特征,作为第二节点;确定第一权重,使得所述第一权重与所述第二节点与所述使用环境第一信息的匹配度正相关;确定第二权重,使得所述第二权重与所述第二节点与所述使用环境第二信息的匹配度正相关;基于所述第一权重和所述第二权重,确定所述第二节点和预设的负节点之间的第二目标权重;使得所述第二目标权重与所述第一权重和所述第二权重均正相关;基于所述第二节点、所述负节点、以及所述第二节点和所述负节点之间的第二目标权重,构建所述负样本。
示例性地,在确定第二节点与所述使用环境第一信息的匹配程度可以从两者的相关性。例如,第二节点A表达的特征是产品的更新时段,第二节点B表达的特征是产品在YY操作系统下的运行流畅性,第二节点C表达的特征是产品运行过程出现报错进而终止运行。使用环境第一信息a表达的是在XX年2月在YY操作系统中出现了运行错误。运行错误与产品更新时段是否合理关系不大,则通过环境第一信息a确定出的第二节点A对应的第一权重较低,甚至可能为0。但是,第二节点B和第二节点C均可能是使用环境第一信息a对应的运行错误导致的,则第二节点B、第二节点C与负节点之间的第一权重较高。
此外,在本说明书进一步可选的实施例中,在所述目标产品与所述第二样本的相似度大于预设的相似度阈值(可以是经验值)的情况下,所述第二权重还与所述第一权重正相关。。由于第一样本中有可能存在隐含的第二样本,则导致本说明书的方法中,负样本的可信度要高于正样本的可信度,则基于负样本(而不是正样本)确定第二权重,有利于提高模型的识别能力和识别准确度。
S108:采用所述正样本和所述负样本训练卷积神经网络,得到目标模型。
本说明书中的模型训练是有监督的学习。相关技术中,可以用于实现卷积神经网络有监督的学习的技术手段,在条件允许的情况,均适用于本说明书。
S110:确定目标特征图。
本说明书中的目标特征图的构建方式,与第一样本、第二样本的构建方式相似。目标特征图用于表征目标产品、以及所述目标产品的使用环境信息之间的对应关系。此时,由于目标产品尚未投放,则目标产品的使用环境信息并非反馈信息,而是表征使用环境特征的信息,例如,支持应用程序(即,目标产品)运行的操作系统、应用程序针对的目标人群、支持应用程序的硬件需求等。
S112:采用所述目标模型基于所述目标特征图,预测所述目标产品的质量考核评价结果。
具体地,可以将目标特征图输入目标模型,得到的输出可以用于表征目标模型判断的目标产品与正样本和负样本各自的匹配度。若输出结果表明与正样本更为匹配,则表明该目标产品的质量考核评价结果表示出该目标产品的投放带来正面反馈的概率较高。
本说明书中的方法用于对产品的质量进行考核评价。尤其适用于产品的性能、特征、投放之后的使用效果难以表现出时序性的情况下,以及模型训练体系对针对时序性知识的学习较为困难的情况下。基于本说明书中的方法,即便是针对时序性不明显的产品,也能够较为充分地考察产品随时间表现出的特征,进而较为客观地对产品质量进行考核评价。此外,本说明书中的方法在LSTM模型训练较为困难的体系下,实现了基于卷积神经网络的产品质量考核评价,并达到了相应的评价效果。通过本说明书的方法,一方面,通过以管理、监督目的的数据处理,实现了对产品的使用效果的预测,得到了针对产品的质量考核评价结果。另一方面,得到的质量考核评价结果,为进一步地减少监督、管理资源的消耗提供了条件。
进一步地,本说明书还提供一种基于卷积神经网络的质量考核评价装置,所述装置包括:
信息获取模块,配置为:确定参照产品、所述参照产品的使用环境第一信息、以及所述参照产品的使用环境第二信息;所述参照产品是历史上投放的产品;所述使用环境第一信息用于表征所述参照产品在投放后的第一时间段内,对所述参照产品做出的反馈;所述使用环境第二信息用于表征所述参照产品在投放后的第二时间段内,对所述参照产品做出的反馈;所述第二时间段位于所述第一时间段之后;
样本确定模块,配置为:在所述使用环境第一信息和所述使用环境第二信息均表示出正面反馈的情况下,将所述参照产品的信息作为第一样本;在所述使用环境第一信息和所述使用环境第二信息均表示出负面反馈的情况下,将所述参照产品的信息作为第二样本;
过滤模块,配置为:采用所述参照产品的信息中除所述第一样本和所述第二样本以外的,对所述第一样本进行过滤处理;
样本构建模块,配置为:基于所述过滤处理后的所述第一样本、以及其对应的所述使用环境第一信息和所述使用环境第二信息,构建正样本;基于所述第二样本、以及其对应的所述使用环境第一信息和所述使用环境第二信息,构建负样本;所述正样本和所述负样本均为表征所述参照产品的信息和使用环境信息之间的对应关系的特征图;
训练模块,配置为:采用所述正样本和所述负样本训练卷积神经网络,得到目标模型;
目标特征图确定模块,配置为:确定目标特征图;所述目标特征图用于表征目标产品、以及所述目标产品的使用环境信息之间的对应关系;
评价结果生成模块,配置为:采用所述目标模型基于所述目标特征图,预测所述目标产品的质量考核评价结果。
该装置能够执行前述任一实施例中的方法,并能够获得相同或相似的技术效果,此处不再赘述。
图2是本申请的一个实施例电子设备的结构示意图。请参考图2,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图2中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成一种基于卷积神经网络的质量考核评价装置。处理器,执行存储器所存放的程序,并具体用于执行前述任意一种基于卷积神经网络的质量考核评价方法。
上述如本申请图1所示实施例揭示的一种基于卷积神经网络的质量考核评价方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(CentralProcessing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图1中一种基于卷积神经网络的质量考核评价方法,并实现图1所示实施例的功能,本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,执行前述的任意一种基于卷积神经网络的质量考核评价方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (9)
1.一种基于卷积神经网络的质量考核评价方法,其特征在于,所述方法包括:
确定参照产品、所述参照产品的使用环境第一信息、以及所述参照产品的使用环境第二信息;所述参照产品是历史上投放的产品;所述使用环境第一信息用于表征所述参照产品在投放后的第一时间段内,对所述参照产品做出的反馈;所述使用环境第二信息用于表征所述参照产品在投放后的第二时间段内,对所述参照产品做出的反馈;所述第二时间段位于所述第一时间段之后;
在所述使用环境第一信息和所述使用环境第二信息均表示出正面反馈的情况下,将所述参照产品的信息作为第一样本;在所述使用环境第一信息和所述使用环境第二信息均表示出负面反馈的情况下,将所述参照产品的信息作为第二样本;
采用所述参照产品的信息中除所述第一样本和所述第二样本以外的,对所述第一样本进行过滤处理;
基于所述过滤处理后的所述第一样本、以及其对应的所述使用环境第一信息和所述使用环境第二信息,构建正样本;基于所述第二样本、以及其对应的所述使用环境第一信息和所述使用环境第二信息,构建负样本;所述正样本和所述负样本均为表征所述参照产品的信息和使用环境信息之间的对应关系的特征图;
采用所述正样本和所述负样本训练卷积神经网络,得到目标模型;
确定目标特征图;所述目标特征图用于表征目标产品、以及所述目标产品的使用环境信息之间的对应关系;
采用所述目标模型基于所述目标特征图,预测所述目标产品的质量考核评价结果。
2.如权利要求1所述方法,其特征在于,采用所述参照产品的信息中除所述第一样本和所述第二样本以外的,对所述第一样本进行过滤处理,包括:
确定所述使用环境第一信息、所述使用环境第二信息之一表示出负面反馈的参照产品,作为待定样本;
确定所述待定样本与所述第一样本的第一最大相似度、以及与所述第二样本的第二最大相似度;
若所述第一最大相似度和所述第二最大相似度的差值不大于预设的差值阈值,则删除所述第一最大相似度对应的第一样本,以实现对所述第一样本的过滤处理。
3.如权利要求2所述方法,其特征在于,所述差值阈值与所述目标产品与所述第一样本的平均相似度负相关。
4.如权利要求2所述方法,其特征在于,所述差值阈值与所述目标产品与所述待定样本的平均相似度负相关。
5.如权利要求1所述方法,其特征在于,构建所述负样本,包括:
对所述第二样本,进行特征提取,将得到的特征,作为第二节点;
确定第一权重,使得所述第一权重与所述第二节点与所述使用环境第一信息的匹配度正相关;
确定第二权重,使得所述第二权重与所述第二节点与所述使用环境第二信息的匹配度正相关;
基于所述第一权重和所述第二权重,确定所述第二节点和预设的负节点之间的第二目标权重;使得所述第二目标权重与所述第一权重和所述第二权重均正相关;
基于所述第二节点、所述负节点、以及所述第二目标权重,构建所述负样本。
6.如权利要求5所述方法,其特征在于,所述方法还包括;
在所述目标产品与所述第二样本的相似度大于预设的相似度阈值的情况下,所述第二权重还与所述第一权重正相关。
7.一种基于卷积神经网络的质量考核评价装置,其特征在于,所述装置包括:
信息获取模块,配置为:确定参照产品、所述参照产品的使用环境第一信息、以及所述参照产品的使用环境第二信息;所述参照产品是历史上投放的产品;所述使用环境第一信息用于表征所述参照产品在投放后的第一时间段内,对所述参照产品做出的反馈;所述使用环境第二信息用于表征所述参照产品在投放后的第二时间段内,对所述参照产品做出的反馈;所述第二时间段位于所述第一时间段之后;
样本确定模块,配置为:在所述使用环境第一信息和所述使用环境第二信息均表示出正面反馈的情况下,将所述参照产品的信息作为第一样本;在所述使用环境第一信息和所述使用环境第二信息均表示出负面反馈的情况下,将所述参照产品的信息作为第二样本;
过滤模块,配置为:采用所述参照产品的信息中除所述第一样本和所述第二样本以外的,对所述第一样本进行过滤处理;
样本构建模块,配置为:基于所述过滤处理后的所述第一样本、以及其对应的所述使用环境第一信息和所述使用环境第二信息,构建正样本;基于所述第二样本、以及其对应的所述使用环境第一信息和所述使用环境第二信息,构建负样本;所述正样本和所述负样本均为表征所述参照产品的信息和使用环境信息之间的对应关系的特征图;
训练模块,配置为:采用所述正样本和所述负样本训练卷积神经网络,得到目标模型;
目标特征图确定模块,配置为:确定目标特征图;所述目标特征图用于表征目标产品、以及所述目标产品的使用环境信息之间的对应关系;
评价结果生成模块,配置为:采用所述目标模型基于所述目标特征图,预测所述目标产品的质量考核评价结果。
8.一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行所述权利要求1~6之任一所述方法。
9.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行所述权利要求1~6之任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311618669.2A CN117557157B (zh) | 2023-11-30 | 2023-11-30 | 一种基于卷积神经网络的质量考核评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311618669.2A CN117557157B (zh) | 2023-11-30 | 2023-11-30 | 一种基于卷积神经网络的质量考核评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117557157A true CN117557157A (zh) | 2024-02-13 |
CN117557157B CN117557157B (zh) | 2024-04-05 |
Family
ID=89823065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311618669.2A Active CN117557157B (zh) | 2023-11-30 | 2023-11-30 | 一种基于卷积神经网络的质量考核评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117557157B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022121531A1 (zh) * | 2020-12-09 | 2022-06-16 | 歌尔股份有限公司 | 一种产品缺陷检测方法和装置 |
US20220245460A1 (en) * | 2021-01-29 | 2022-08-04 | International Business Machines Corporation | Adaptive self-adversarial negative sampling for graph neural network training |
CN116307933A (zh) * | 2023-05-11 | 2023-06-23 | 中国标准化研究院 | 一种基于抽检策略制定模型的产品质量抽检系统 |
CN116362589A (zh) * | 2023-02-23 | 2023-06-30 | 中国标准化研究院 | 一种质量工作考核评价方法 |
CN116757838A (zh) * | 2023-08-24 | 2023-09-15 | 中国标准化研究院 | 一种企业信用评价风险模型的建模方法 |
CN116911697A (zh) * | 2023-09-13 | 2023-10-20 | 交通运输部公路科学研究所 | 一种网络教学质量评价方法 |
CN117093653A (zh) * | 2023-10-19 | 2023-11-21 | 中国标准化研究院 | 一种信息化资源共享方法及系统 |
-
2023
- 2023-11-30 CN CN202311618669.2A patent/CN117557157B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022121531A1 (zh) * | 2020-12-09 | 2022-06-16 | 歌尔股份有限公司 | 一种产品缺陷检测方法和装置 |
US20220245460A1 (en) * | 2021-01-29 | 2022-08-04 | International Business Machines Corporation | Adaptive self-adversarial negative sampling for graph neural network training |
CN116362589A (zh) * | 2023-02-23 | 2023-06-30 | 中国标准化研究院 | 一种质量工作考核评价方法 |
CN116307933A (zh) * | 2023-05-11 | 2023-06-23 | 中国标准化研究院 | 一种基于抽检策略制定模型的产品质量抽检系统 |
CN116757838A (zh) * | 2023-08-24 | 2023-09-15 | 中国标准化研究院 | 一种企业信用评价风险模型的建模方法 |
CN116911697A (zh) * | 2023-09-13 | 2023-10-20 | 交通运输部公路科学研究所 | 一种网络教学质量评价方法 |
CN117093653A (zh) * | 2023-10-19 | 2023-11-21 | 中国标准化研究院 | 一种信息化资源共享方法及系统 |
Non-Patent Citations (2)
Title |
---|
孟倩倩;: "基于BP神经网络模型的人才考核评价研究", 科技经济市场, no. 02, 15 February 2015 (2015-02-15) * |
贾文雅;: "基于人工神经网络的高职院校实践教学工作质量评价", 现代计算机(专业版), no. 18, 25 June 2017 (2017-06-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN117557157B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109347787B (zh) | 一种身份信息的识别方法及装置 | |
WO2019169977A1 (zh) | 一种信息转化率的预测、信息推荐方法和装置 | |
CN109598414B (zh) | 风险评估模型训练、风险评估方法、装置及电子设备 | |
CN109840312B (zh) | 一种锅炉负荷率-能效曲线的异常值检测方法和装置 | |
CN110119860B (zh) | 一种垃圾账号检测方法、装置以及设备 | |
CN110490595B (zh) | 一种风险控制方法和装置 | |
CN114817538A (zh) | 文本分类模型的训练方法、文本分类方法及相关设备 | |
CN114338413A (zh) | 网络中设备的拓扑关系的确定方法、装置以及存储介质 | |
TW202044110A (zh) | 無監督模型評估方法、裝置、伺服器及可讀儲存媒體 | |
CN110334936B (zh) | 一种信贷资质评分模型的构建方法、装置和设备 | |
CN113837635A (zh) | 风险检测处理方法、装置及设备 | |
CN117557157B (zh) | 一种基于卷积神经网络的质量考核评价方法 | |
CN115567371B (zh) | 一种异常检测方法、装置、设备及可读存储介质 | |
CN110634018A (zh) | 一种流失用户的特征刻画方法、识别方法及相关装置 | |
CN114254588B (zh) | 数据标签处理方法和装置 | |
CN116204648A (zh) | 样本确定方法、装置、计算机设备及计算机可读存储介质 | |
CN110458393B (zh) | 一种风险识别方案的确定方法、装置及电子设备 | |
CN113657635B (zh) | 一种预测通信用户流失的方法及电子设备 | |
CN114020905A (zh) | 一种文本分类外分布样本检测方法、装置、介质及设备 | |
US11797775B1 (en) | Determining emebedding vectors for an unmapped content item using embedding inferenece | |
CN111078877B (zh) | 数据处理、文本分类模型的训练、文本分类方法和装置 | |
CN117112808B (zh) | 一种信用失信主体的信息知识图谱构建方法 | |
CN111461892A (zh) | 用于风险识别模型的衍生变量选择方法和装置 | |
CN117610943B (zh) | 一种信用主体信用评价风险模型的建模方法 | |
CN111274118B (zh) | 一种应用优化处理方法、装置和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |