[發明專利]基于機器學習的報表生成方法、裝置和計算機設備

在審

• 申請號: 201910002951.5
• 申請日: 2019-01-02
• 公開（公告）號: CN109800333A
• 公開（公告）日: 2019-05-24
• 發明（設計）人: 徐凱
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06F16/901
• 分類號: G06F16/901;G06Q10/04
• 代理公司: 深圳市明日今典知識產權代理事務所(普通合伙) 44343
• 代理人: 王杰輝

1.一種基于機器學習的報表生成方法，其特征在于，包括：

獲取當前用戶的特征信息，所述當前用戶的特征信息至少包括當前用戶的職業信息；

將所述特征信息輸入預設的基于機器學習的報表類型預測模型中運算，其中所述報表類型預測模型通過由用戶特征信息，以及與所述用戶特征信息對應的報表類型所組成的訓練數據訓練而成；

輸出預測的所述當前用戶將使用的報表類型；

根據所述將使用的報表類型，從數據庫中調取預設的初步報表，其中所述初步報表的類型與所述將使用的報表類型相同；

根據所述當前用戶輸入的信息，調整所述初步報表，從而獲得最終報表。

2.根據權利要求1所述的基于機器學習的報表生成方法，其特征在于，所述根據所述將使用的報表類型，從數據庫中調取預設的初步報表，其中所述初步報表的類型與所述將使用的報表類型相同的步驟,包括：

根據所述將使用的報表類型，從預設的數據庫中調取預設的多個圖表模板與多個文字部分模板；

將所述當前用戶選擇的圖表模板與文字部分模板組合成為所述初步報表；

調取所述初步報表。

3.根據權利要求1所述的基于機器學習的報表生成方法，其特征在于，所述根據所述當前用戶輸入的信息，調整所述初步報表，從而獲得最終報表的步驟,包括：

根據所述當前用戶輸入的圖表調整信息、圖表數據內容信息和文字部分調整信息，調整所述初步報表中的圖表和文字部分；

將所述當前用戶輸入的文字內容填入所述初步報表的文字部分，獲得最終報表。

4.根據權利要求1所述的基于機器學習的報表生成方法，其特征在于，所述報表類型預測模型的獲取方法，包括：

獲取包括指定量的樣本數據的訓練集，其中，所述樣本數據包括用戶特征信息，以及與所述用戶特征信息對應的報表類型；

將所述訓練集的樣本數據輸入到神經網絡模型中進行訓練，其中，訓練的過程中采用隨機梯度下降法，利用反向傳導法則更新所述神經網絡模型各層的參數，得到初步訓練模型；

將所述初步訓練模型記為所述報表類型預測模型。

5.根據權利要求4所述的基于機器學習的報表生成方法，其特征在于，所述將所述初步訓練模型記為所述報表類型預測模型的步驟，包括：

獲取包括指定量的樣本數據的驗證集，其中，所述驗證集的樣本數據包括用戶特征信息，以及與所述用戶特征信息對應的報表類型；

利用所述驗證集的樣本數據驗證所述初步訓練模型；

如果驗證通過，則將所述初步訓練模型記為所述報表類型預測模型。

6.根據權利要求1所述的基于機器學習的報表生成方法，其特征在于，所述報表類型預測模型的獲取方法，包括：

獲取指定量的樣本數據，其中，所述樣本數據包括用戶特征信息，以及與所述用戶特征信息對應的報表類型；

將所述訓練集的樣本數據輸入到CHAID決策樹模型中進行訓練，得到初步CHAID決策樹；

將所述初步CHAID決策樹記為所述報表類型預測模型。

7.根據權利要求6所述的基于機器學習的報表生成方法，其特征在于，所述將所述訓練集的樣本數據輸入到CHAID決策樹模型中進行訓練，得到初步CHAID決策樹的步驟，包括：

設置所述CHAID決策樹模型的建模標準參數，所述建模標準參數包括決策樹的最大層數、母節點的可再分的顯著水平、母節點包含的最小樣本數和子節點包含的最小樣本數；

將訓練集的樣本數據輸入到采用卡方自動交互檢測法建立的所述CHAID決策樹模型中進行訓練，得到初步CHAID決策樹。