[發(fā)明專利]基于組合模型的分類方法、裝置、設(shè)備及存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202110196084.0
• 申請日: 2021-02-22
• 公開（公告）號: CN112561000B
• 公開（公告）日: 2021-05-28
• 發(fā)明（設(shè)計）人: 鐘子宏
• 申請（專利權(quán)）人: 騰訊科技（深圳）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/00;G06Q30/02;G06Q30/06
• 代理公司: 北京勵誠知識產(chǎn)權(quán)代理有限公司 11647
• 代理人: 趙爽

本申請?zhí)峁┮环N基于組合模型的分類方法、裝置、設(shè)備及存儲介質(zhì)，可應(yīng)用于社交、游戲、多媒體、車聯(lián)、駕駛、購物等分類領(lǐng)域。包括獲取m組訓(xùn)練樣本和n組預(yù)測數(shù)據(jù)；通過m組訓(xùn)練樣本對m個模型進行訓(xùn)練，得到m個目標模型；根據(jù)目標模型、目標模型對應(yīng)的第一訓(xùn)練樣本組和第一訓(xùn)練樣本組的分類閾值，得到第一訓(xùn)練樣本組中各個訓(xùn)練樣本的第一分類標簽；根據(jù)各個訓(xùn)練樣本的第一分類標簽和各個訓(xùn)練樣本包括的第二分類標簽，得到目標模型對應(yīng)的分類標簽方差；根據(jù)m個目標模型和m個目標模型各自對應(yīng)的分類標簽方差得到組合模型；根據(jù)n組預(yù)測數(shù)據(jù)、組合模型和n組預(yù)測數(shù)據(jù)分別對應(yīng)的分類閾值，得到每個預(yù)測數(shù)據(jù)的分類標簽，以提高分類方法的精確度。

技術(shù)領(lǐng)域

本申請實施例涉及人工智能（Artificial Intelligence, AI）技術(shù)領(lǐng)域，尤其涉及一種基于組合模型的分類方法、裝置、設(shè)備及存儲介質(zhì)。

背景技術(shù)

目前許多場景都涉及到了分類方法，例如：在向用戶推薦多種商品的場景中就涉及到分類方法，即通過分類方法確定用戶對每種商品是否感興趣，如果確定用戶對某商品感興趣，則向該用戶推薦該商品，否則，則不向用戶推薦該商品。

上述分類方法是基于統(tǒng)一模型進行的，例如：針對多個商品，采用統(tǒng)一模型，以確定用戶對每個商品是否感興趣。而這種統(tǒng)一模型是通過各個商品對應(yīng)的訓(xùn)練樣本訓(xùn)練得到的，該訓(xùn)練樣本包括：用戶特征、商品特征和分類標簽。然而，由于每種商品的特性不同，因此通過統(tǒng)一模型得到的分類結(jié)果可能會將用戶需要而得分較低的商品剔除掉，從而產(chǎn)生了較大的誤分類情況。

發(fā)明內(nèi)容

本申請?zhí)峁┮环N基于組合模型的分類方法、裝置、設(shè)備及存儲介質(zhì)，從而可以提高分類方法的精確度。

第一方面，本申請?zhí)峁┮环N基于組合模型的分類方法，包括：獲取m組訓(xùn)練樣本和n組預(yù)測數(shù)據(jù)，m和n均為正整數(shù)；分別通過m組訓(xùn)練樣本對m個模型進行訓(xùn)練，以得到m個目標模型；針對m個目標模型中的任一個目標模型，根據(jù)目標模型、目標模型對應(yīng)的第一訓(xùn)練樣本組和第一訓(xùn)練樣本組對應(yīng)的分類閾值，得到第一訓(xùn)練樣本組中各個訓(xùn)練樣本的第一分類標簽；并根據(jù)各個訓(xùn)練樣本的第一分類標簽和第一訓(xùn)練樣本組中各個訓(xùn)練樣本包括的第二分類標簽，得到目標模型對應(yīng)的分類標簽方差；根據(jù)m個目標模型和m個目標模型各自對應(yīng)的分類標簽方差，得到組合模型；根據(jù)n組預(yù)測數(shù)據(jù)、組合模型和n組預(yù)測數(shù)據(jù)分別對應(yīng)的分類閾值，得到n組預(yù)測數(shù)據(jù)中每個預(yù)測數(shù)據(jù)的分類標簽。

第二方面，本申請?zhí)峁┮环N基于組合模型的分類裝置，包括：第一獲取模塊、訓(xùn)練模塊、第一處理模塊、第二處理模塊和第三處理模塊，其中，第一獲取模塊用于獲取m組訓(xùn)練樣本和n組預(yù)測數(shù)據(jù)，m和n均為正整數(shù)；訓(xùn)練模塊用于分別通過m組訓(xùn)練樣本對m個模型進行訓(xùn)練，以得到m個目標模型；第一處理模塊用于針對m個目標模型中的任一個目標模型，根據(jù)目標模型、目標模型對應(yīng)的第一訓(xùn)練樣本組和第一訓(xùn)練樣本組對應(yīng)的分類閾值，得到第一訓(xùn)練樣本組中各個訓(xùn)練樣本的第一分類標簽；并根據(jù)各個訓(xùn)練樣本的第一分類標簽和第一訓(xùn)練樣本組中各個訓(xùn)練樣本包括的第二分類標簽，得到目標模型對應(yīng)的分類標簽方差；第二處理模塊用于根據(jù)m個目標模型和m個目標模型各自對應(yīng)的分類標簽方差，得到組合模型；第三處理模塊用于根據(jù)n組預(yù)測數(shù)據(jù)、組合模型和n組預(yù)測數(shù)據(jù)分別對應(yīng)的分類閾值，得到n組預(yù)測數(shù)據(jù)中每個預(yù)測數(shù)據(jù)的分類標簽。

第三方面，提供了一種電子設(shè)備，包括：處理器和存儲器，該存儲器用于存儲計算機程序，該處理器用于調(diào)用并運行該存儲器中存儲的計算機程序，以執(zhí)行第一方面的方法。

第四方面，提供了一種計算機可讀存儲介質(zhì)，用于存儲計算機程序，該計算機程序使得計算機執(zhí)行第一方面的方法。