CN117609723A - 一种对象识别方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种对象识别方法、装置、电子设备及存储介质。该方法包括：获取多个历史目标对象的历史对象信息以及多个待识别对象的待识别对象信息，基于历史对象信息确定正样本；基于重抽样法对多个待识别对象的待识别对象信息进行多次采样，将每次采样得到的待识别对象信息确定为负样本，由正样本分别与每次采样得到的负样本进行组合，得到多组训练子集；针对每组训练子集，基于训练子集对相应的预先构建的机器学习模型进行训练，得到与训练子集对应的对象识别模型；基于待识别对象信息和每组训练子集对应的对象识别模型，在待识别对象中确定出目标对象。本发明实施例的技术方案，提高目标对象识别的准确性和有效性。

Description

一种对象识别方法、装置、电子设备及存储介质

技术领域

本发明实施例涉及数据处理技术领域，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

在金融行业领域中，识别出具有实际需求的目标对象，以为目标对象提供金融服务，是提升服务质量的重要手段。

现有技术中，通常采用机器学习分类模型识别目标对象，但是由于在训练模型时，获取负类样本较为困难，导致正负样本极度不平衡，降低了模型识别目标对对象的准确性。

发明内容

本发明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，以实现提高目标对象识别的准确性和有效性。

根据本发明的一方面，提供了一种对象识别方法，包括：

获取多个历史目标对象的历史对象信息以及多个待识别对象的待识别对象信息，基于所述历史对象信息确定正样本；

基于重抽样法对多个所述待识别对象的待识别对象信息进行多次采样，将每次采样得到的待识别对象信息确定为负样本，由所述正样本分别与每次采样得到的负样本进行组合，得到多组训练子集；

针对每组训练子集，基于所述训练子集对相应的预先构建的机器学习模型进行训练，得到与所述训练子集对应的对象识别模型；

基于所述待识别对象信息和每组所述训练子集对应的对象识别模型，在所述待识别对象中确定出目标对象。

根据本发明的另一方面，提供了一种对象识别装置，该装置包括：

信息获取模块，用于获取多个历史目标对象的历史对象信息以及多个待识别对象的待识别对象信息，基于历史对象信息确定正样本；

采样模块，用于基于重抽样法对多个待识别对象的待识别对象信息进行多次采样，将每次采样得到的待识别对象信息确定为负样本，由正样本分别与每次采样得到的负样本进行组合，得到多组训练子集；

模型训练模块，用于针对每组训练子集，基于训练子集对相应的预先构建的机器学习模型进行训练，得到与训练子集对应的对象识别模型；

对象识别模块，用于基于待识别对象信息和每组训练子集对应的对象识别模型，在待识别对象中确定出目标对象。

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对象识别方法。

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对象识别方法。

本发明实施例的技术方案，获取多个历史目标对象的历史对象信息以及多个待识别对象的待识别对象信息，基于历史对象信息确定正样本；基于重抽样法对多个待识别对象的待识别对象信息进行多次采样，将每次采样得到的待识别对象信息确定为负样本，由正样本分别与每次采样得到的负样本进行组合，得到多组训练子集；针对每组训练子集，基于训练子集对相应的预先构建的机器学习模型进行训练，得到与训练子集对应的对象识别模型；基于待识别对象信息和每组训练子集对应的对象识别模型，在待识别对象中确定出目标对象。本技术方案在没有负样本的情况下，训练对象识别模型，并基于对象识别模型识别出目标对象，有效解决了正负样本极度不平衡的问题，提高了目标对象识别的准确性和有效性。

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提供的一种对象识别方法的流程图；

图2是根据本发明实施例提供的一种对象识别装置的结构示意图；

图3是实现本发明实施例的对象识别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“等”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。

需要说明的是，本公开的技术方案中，所涉及的用户个人信息的采集、收集、更新、分析、处理、使用、传输、存储等方面，均符合相关法律法规的规定，被用于合法的用途，且不违背公序良俗。对用户个人信息采取必要措施，防止对用户个人信息数据的非法访问，维护用户个人信息安全、网络安全和国家安全。

在介绍技术方案之前，可以先对应用场景进行示例性说明。本技术方案可以应用于对不同领域中，目标对象进行识别的场景；本技术方案主要针对待识别对象的小于预设数量阈值的情况，即待识别对象的数量较少的情况，提出一种基于PU Bagging方式对待识别对象进行识别的方法。示例性的，可在金融领域中，识别出需要提供金融服务的对象作为目标对象；或者，可在教育领域中，识别出需要提供知识服务的对象作为目标对象。通过本技术方案可在训练对象识别模型时，解决正负样本极度不平衡的问题，有利于提高目标对象的识别准确率。

图1是根据本发明实施例提供的一种对象识别方法的流程图。本实施例可适用于对目标对象进行识别的情况，该方法可以由对象识别装置来执行，该对象识别装置可以采用硬件和/或软件的形式实现。

如图1所示，本实施例的方法具体可包括：

S110、获取多个历史目标对象的历史对象信息以及多个待识别对象的待识别对象信息，基于历史对象信息确定正样本。

其中，历史目标对象可为历史时间段中被提供服务的对象，如被提供金融服务的对象。历史对象信息包括已执行历史服务的服务属性、执行次数和服务价值属性值中的至少一项；待识别对象信息可包括待识别对象的授权信息，授权信息可包括对服务的咨询信息、待识别对象的对象类型信息等。示例性的，在金融领域中，已执行历史服务可为历史时间段内提供过的金融服务；服务属性可为提供的金融服务的类型，执行次数为提供金融服务的次数。

本实施例中，获取多个历史目标对象的历史对象信息，包括：获取多个历史目标对象对应的已执行历史服务的服务属性、执行次数和服务价值属性值中的至少一项。

具体的，可通过历史记录，获取多个历史目标对象对应的已执行历史服务的服务属性、执行次数和服务价值属性值中的至少一项。进一步的，可接收对象授权信息，在对象授权信息中确定出多个待识别对象的待识别对象信息。本实施例中，基于历史对象信息确定正样本的具体实现方式包括：可将历史对象信息均确定为正样本；还可确定出预设数量的历史对象信息，作为正样本；或者，确定出与预设服务类型对应的历史对象信息，作为正样本，以在待识别对象中识别出与预设服务类型对应的目标对象。示例性的，在金融领域中，预设服务类型为提供的金融服务的类型，例如，预设服务类型可包括车险服务、快递保险服务等。

S120、基于重抽样法对多个待识别对象的待识别对象信息进行多次采样，将每次采样得到的待识别对象信息确定为负样本，由正样本分别与每次采样得到的负样本进行组合，得到多组训练子集。

其中，重采样法包括bootstrap(自助法)重抽样法。bootstrap是统计学习中一种重采样技术，常用于用来估计标准误差、置信区间和偏差。可选的，基于重抽样法对多个待识别对象的待识别对象信息进行多次采样，包括：基于自助法，对多个待识别对象的待识别对象信息进行多次采样。

需要说明的是，待识别对象信息为未标记样本，通过自助法对待识别对象信息进行多次重采样，每次可得到多个采样对象信息，可将每次采集到的采样对象信息确定为负样本，从而由正样本和每次采集得到的负样本进行组合，得到包含正样本和负样本的训练子集，以对预先构建的机器学习模型进行模型训练。

在具体实施中，可设定重采样的次数，每次都随机可重复地从待识别对象信息中抽取出与正样本的数量相同数量的待识别对象信息作为负样本，并打上标签。基于每次重采样抽取出的负样本以及具有相同数量的正样本，构成训练子集，从而解决了正负样本数量不均衡的问题。

S130、针对每组训练子集，基于训练子集对相应的预先构建的机器学习模型进行训练，得到与训练子集对应的对象识别模型。

在具体实施中，可通过每组训练子集对机器学习模型进行训练，得到与训练子集对应的对象识别模型。可选的，基于训练子集对相应的预先构建的机器学习模型进行训练，得到与训练子集对应的对象识别模型，包括：基于训练子集对相应的预先构建的机器学习模型进行训练，将训练得到的满足预设指标要求的机器学习模型确定为对象识别模型；其中，预设指标要求包括准确率指标要求和/或召回率指标要求。进一步的，预设指标要求还可包括调和平均值指标要求。

具体的，为了确保训练得到的对象识别模型的准确性和有效性，可将准确率和/或召回率作为模型训练的预设指标要求，从而训练得到满足准确率要求和/或召回率要求的对象识别模型，以确保对象识别模型对目标对象进行识别时的准确性和有效性。

在本实施例中，准确率指标要求包括训练得到的机器学习模型的模型准确率大于预设准确率阈值；召回率指标要求包括训练得到的机器学习模型的模型召回率大于预设召回率阈值。可选的，将训练得到的满足预设指标要求的机器学习模型确定为对象识别模型的实现方式包括：将训练得到的模型准确率大于预设准确率阈值的机器学习模型，确定为对象识别模型；和/或，将训练得到的模型召回率大于预设召回率阈值的机器学习模型确定为对象识别模型。

其中，模型准确率为指分类正确的正样本个数占机器学习模型判定为正样本的个数的比例；模型召回率为分类正确的正样本占全部的正样本个数的比例。

S140、基于待识别对象信息和每组训练子集对应的对象识别模型，在待识别对象中确定出目标对象。

其中，目标对象为预测得到的具有服务需求的对象。对象识别模型可包括朴素贝叶斯、决策树、支持向量机、随机森林、梯度提升树中的至少一项模型。

在具体实施中，训练得到对象识别模型后，可将每个待识别对象信息作为模型输入信息，输入至对象识别模型中，以基于对象识别模型的输出结果，确定出目标对象。其中，输出结果可为各待识别对象为目标对象的预测概率。

可选的，基于待识别对象信息和每组训练子集对应的对象识别模型，在待识别对象中确定出目标对象，包括：针对每个待识别对象，将与待识别对象对应的待识别对象信息分别输入至每个对象识别模型中，得到每个对象识别模型输出的与待识别对象对应的模型预测概率；基于每个对象识别模型对应的模型预测概率，确定待识别对象的对象预测概率，基于每个对象预测概率在待识别对象中确定出目标对象。

根据上述说明可知，通过对机器学习模型进行训练，得到了多个对象识别模型，对象识别模型的数量与训练子集的数量一致。在具体实施中，针对每个待识别对象，在确定该待识别对象是否为目标对象时，可将该待识别对象对应的待识别对象信息分别输入至每个对象识别模型中，得到模型预测概率。其中，模型预测概率用于反映出对象识别模型预测出的该待识别对象为目标对象的可能程度。

具体的，模型预测概率越大，说明该待识别对象为目标对象的可能性越大；反之，说明该待识别对象为目标对象的可能性越小。从而通过各模型预测概率，确定出待识别对象是否为目标对象。

进一步的，可基于各模型预测概率中的概率最大值、最小值、平均值等数值，确定出待识别对象中的目标对象，从而提高了确定目标对象的便捷性和有效性。

为了提高确定目标对象的准确性，基于每个对象识别模型对应的模型预测概率，确定待识别对象的对象预测概率的实现方式可为：确定各模型预测概率的平均值，将平均值确定为对象预测概率。通过对模型预测概率计算平均值，并将平均值确定为对象预测概率，以基于对象预测概率确定目标对象，避免直接基于模型预测概率确定目标对象导致存在偏差，通过平均值确定目标对象能够有效地提高确定目标对象的准确性。

在确定目标对象时，可对每个待识别对象对应的对象预测概率按照从大到小的顺序进行排序，将对象预测概率最大的预设数量的待识别对象确定为目标对象。或者，还可基于预设概率阈值，确定出目标对象。

进一步的，基于每个对象预测概率在待识别对象中确定出目标对象，包括：将对象预测概率大于预设概率阈值的待检测对象确定为目标对象。具体的，可预先确定预设概率阈值，本领域技术人员可根据实际应用情况确定预设概率阈值，本实施例对此不作限定。

在具体实施中，对于每个待识别对象，可确定该待识别对象对应的对象预测概率是否大于预设概率阈值，若大于，则可将该待检测对象确定为需要被提供服务的目标对象；若小于或等于预设概率阈值，则可将该待识别对象作为普通对象。本实施例通过预设概率阈值确定目标对象，提高了确定目标对象的效率。

本发明实施例的技术方案，获取多个历史目标对象的历史对象信息以及多个待识别对象的待识别对象信息，基于历史对象信息确定正样本；基于重抽样法对多个待识别对象的待识别对象信息进行多次采样，将每次采样得到的待识别对象信息确定为负样本，由正样本分别与每次采样得到的负样本进行组合，得到多组训练子集；针对每组训练子集，基于训练子集对相应的预先构建的机器学习模型进行训练，得到与训练子集对应的对象识别模型；基于待识别对象信息和每组训练子集对应的对象识别模型，在待识别对象中确定出目标对象。本技术方案在没有负样本的情况下，训练对象识别模型，并基于对象识别模型识别出目标对象，有效解决了正负样本极度不平衡的问题，提高了目标对象识别的准确性和有效性。

在本实施例中，还可通过两阶段方式对待识别对象进行识别，以确定出目标对象。需要说明的是，由于两阶段方式通过识别可靠负样本进行模型训练，在模型训练阶段只需要较少的训练次数即可得到对象识别模型，因此在待识别对象的小于预设数量阈值的情况下，即大数据量的情况下，可采用两阶段方式确定目标对象。

图2是根据本发明实施例提供的一种对象识别装置的结构示意图，该装置用于执行上述任意实施例所提供的对象识别方法。该装置与上述各实施例的对象识别方法属于同一个发明构思，在对象识别装置的实施例中未详尽描述的细节内容，可以参考上述对象识别方法的实施例。如图2所示，该装置包括：

信息获取模块10，用于获取多个历史目标对象的历史对象信息以及多个待识别对象的待识别对象信息，基于历史对象信息确定正样本；

采样模块11，用于基于重抽样法对多个待识别对象的待识别对象信息进行多次采样，将每次采样得到的待识别对象信息确定为负样本，由正样本分别与每次采样得到的负样本进行组合，得到多组训练子集；

模型训练模块12，用于针对每组训练子集，基于训练子集对相应的预先构建的机器学习模型进行训练，得到与训练子集对应的对象识别模型；

对象识别模块13，用于基于待识别对象信息和每组训练子集对应的对象识别模型，在待识别对象中确定出目标对象。

在本发明实施例中任一可选技术方案的基础上，可选的，对象识别模块13包括：

信息输入单元，用于针对每个待识别对象，将与待识别对象对应的待识别对象信息分别输入至每个对象识别模型中，得到每个对象识别模型输出的与待识别对象对应的模型预测概率；

对象预测概率确定单元，用于基于每个对象识别模型对应的模型预测概率，确定待识别对象的对象预测概率，基于每个对象预测概率在待识别对象中确定出目标对象。

在本发明实施例中任一可选技术方案的基础上，可选的，对象预测概率确定单元，包括：

平均值确定子单元，用于确定各模型预测概率的平均值，将平均值确定为对象预测概率。

在本发明实施例中任一可选技术方案的基础上，可选的，对象预测概率确定单元，包括：

目标对象确定子单元，用于将对象预测概率大于预设概率阈值的待检测对象确定为目标对象。

在本发明实施例中任一可选技术方案的基础上，可选的，历史对象信息包括已执行历史服务的服务属性、执行次数和服务价值属性值中的至少一项；

信息获取模块10，包括：

信息获取单元，用于获取多个历史目标对象对应的已执行历史服务的服务属性、执行次数和服务价值属性值中的至少一项。

在本发明实施例中任一可选技术方案的基础上，可选的，采样模块11，包括：

采样单元，用于基于自助法，对多个待识别对象的待识别对象信息进行多次采样。

在本发明实施例中任一可选技术方案的基础上，可选的，模型训练模块12，包括：

模型训练单元，用于基于训练子集对相应的预先构建的机器学习模型进行训练，将训练得到的满足预设指标要求的机器学习模型确定为对象识别模型；

其中，预设指标要求包括准确率指标要求和/或召回率指标要求。

本发明实施例的技术方案，获取多个历史目标对象的历史对象信息以及多个待识别对象的待识别对象信息，基于历史对象信息确定正样本；基于重抽样法对多个待识别对象的待识别对象信息进行多次采样，将每次采样得到的待识别对象信息确定为负样本，由正样本分别与每次采样得到的负样本进行组合，得到多组训练子集；针对每组训练子集，基于训练子集对相应的预先构建的机器学习模型进行训练，得到与训练子集对应的对象识别模型；基于待识别对象信息和每组训练子集对应的对象识别模型，在待识别对象中确定出目标对象。本技术方案在没有负样本的情况下，训练对象识别模型，并基于对象识别模型识别出目标对象，有效解决了正负样本极度不平衡的问题，提高了目标对象识别的准确性和有效性。

值得注意的是，上述对象识别装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

图3是实现本发明实施例的对象识别方法的电子设备的结构示意图。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3所示，电子设备20包括至少一个处理器21，以及与至少一个处理器21通信连接的存储器，如只读存储器(ROM)22、随机访问存储器(RAM)23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21可以根据存储在只读存储器(ROM)22中的计算机程序或者从存储单元28加载到随机访问存储器(RAM)23中的计算机程序，来执行各种适当的动作和处理。在RAM23中，还可存储电子设备20操作所需的各种程序和数据。处理器21、ROM22以及RAM23通过总线24彼此相连。输入/输出(I/O)接口25也连接至总线24。

电子设备20中的多个部件连接至I/O接口25，包括：输入单元26，例如键盘、鼠标等；输出单元27，例如各种类型的显示器、扬声器等；存储单元28，例如磁盘、光盘等；以及通信单元29，例如网卡、调制解调器、无线通信收发机等。通信单元29允许电子设备20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21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21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21执行上文所描述的各个方法和处理，例如对象识别方法。

在一些实施例中，对象识别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28。在一些实施例中，计算机程序的部分或者全部可以经由ROM22和/或通信单元29而被载入和/或安装到电子设备20上。当计算机程序加载到RAM23并由处理器21执行时，可以执行上文描述的对象识别方法的一个或多个步骤。备选地，在其他实施例中，处理器21可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行对象识别方法。

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、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)、负载可编程逻辑设备(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)

1.一种对象识别方法，其特征在于，包括：

获取多个历史目标对象的历史对象信息以及多个待识别对象的待识别对象信息，基于所述历史对象信息确定正样本；

基于重抽样法对多个所述待识别对象的待识别对象信息进行多次采样，将每次采样得到的待识别对象信息确定为负样本，由所述正样本分别与每次采样得到的负样本进行组合，得到多组训练子集；

针对每组训练子集，基于所述训练子集对相应的预先构建的机器学习模型进行训练，得到与所述训练子集对应的对象识别模型；

基于所述待识别对象信息和每组所述训练子集对应的对象识别模型，在所述待识别对象中确定出目标对象。

2.根据权利要求1所述的方法，其特征在于，基于所述待识别对象信息和每组所述训练子集对应的对象识别模型，在所述待识别对象中确定出目标对象，包括：

针对每个所述待识别对象，将与所述待识别对象对应的所述待识别对象信息分别输入至每个所述对象识别模型中，得到每个所述对象识别模型输出的与所述待识别对象对应的模型预测概率；

基于每个所述对象识别模型对应的模型预测概率，确定所述待识别对象的对象预测概率，基于每个所述对象预测概率在所述待识别对象中确定出目标对象。

3.根据权利要求2所述的方法，其特征在于，所述基于每个所述对象识别模型对应的模型预测概率，确定所述待识别对象的对象预测概率，包括：

确定各所述模型预测概率的平均值，将所述平均值确定为所述对象预测概率。

4.根据权利要求3所述的方法，其特征在于，所述基于每个所述对象预测概率在所述待识别对象中确定出目标对象，包括：

将所述对象预测概率大于预设概率阈值的待检测对象确定为目标对象。

5.根据权利要求1所述的方法，其特征在于，所述历史对象信息包括已执行历史服务的服务属性、执行次数和服务价值属性值中的至少一项；

所述获取多个历史目标对象的历史对象信息，包括：

获取多个所述历史目标对象对应的已执行历史服务的服务属性、执行次数和服务价值属性值中的至少一项。

6.根据权利要求1所述的方法，其特征在于，所述基于重抽样法对多个所述待识别对象的待识别对象信息进行多次采样，包括：

基于自助法，对多个所述待识别对象的待识别对象信息进行多次采样。

7.根据权利要求1所述的方法，其特征在于，所述基于所述训练子集对相应的预先构建的机器学习模型进行训练，得到与所述训练子集对应的对象识别模型，包括：

基于所述训练子集对相应的预先构建的机器学习模型进行训练，将训练得到的满足预设指标要求的机器学习模型确定为所述对象识别模型；

其中，所述预设指标要求包括准确率指标要求和/或召回率指标要求。

8.一种对象识别装置，其特征在于，包括：

信息获取模块，用于获取多个历史目标对象的历史对象信息以及多个待识别对象的待识别对象信息，基于历史对象信息确定正样本；

采样模块，用于基于重抽样法对多个待识别对象的待识别对象信息进行多次采样，将每次采样得到的待识别对象信息确定为负样本，由正样本分别与每次采样得到的负样本进行组合，得到多组训练子集；

模型训练模块，用于针对每组训练子集，基于训练子集对相应的预先构建的机器学习模型进行训练，得到与训练子集对应的对象识别模型；

对象识别模块，用于基于待识别对象信息和每组训练子集对应的对象识别模型，在待识别对象中确定出目标对象。

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中任一项所述的对象识别方法。

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中任一项所述的对象识别方法。