The invention discloses a method for determining the parameters of the business, including obtaining the uncertain parameters of the user's head of business application; with image classification function convolution neural network CNN model to classify the application head, a plurality of category labels applied to avatar, values of each category label determines the plurality of category labels the values obtained by the application of the picture picture, the picture for the numerical determination of the parameters involved in the business. The embodiment of the invention provides a method for determining service parameters, which can determine the service parameters according to the application head of the user, thereby improving the universality of the service parameter determination and the generalization degree of the service promotion.
【技术实现步骤摘要】
一种确定业务参数的方法及装置
本专利技术涉及互联网
,具体涉及一种确定业务参数的方法、建立图像分类模型的方法及装置。
技术介绍
当前很多业务与业务参数都是直接相关的,业务参数直接影响到业务申请是否能够成功。业务提供方在为用户分配业务时会根据已有的业务参数来评估是否为该用户分配业务。但目前,在业务提供方有业务参数记录的人只占总人口的一小部分,绝大多数人没有业务参数记录,业务提供方无法对无业务参数记录的用户做出判断,导致业务提供方所提供的业务很难被广泛推广。
技术实现思路
为了解决现有技术中无法得到绝大多数人的业务参数的问题,本专利技术实施例提供一种确定业务参数的方法,可以根据用户的应用头像进行业务参数的确定,从而提高了业务参数确定的广泛度和业务推广的广泛度。本专利技术实施例还提供了相应的装置。本专利技术第一方面提供一种确定业务参数的方法,包括:获取待确定业务参数的用户的应用头像;采用具有图像分类功能的卷积神经网络CNN模型对所述应用头像进行归类处理,得到所述应用头像的多个类别标签;确定所述多个类别标签中每个类别标签对应的数值,得到所述应用头像的头像数值,所述头像数值用于参与确定所述业务参数;其中,所述具有图像分类功能的CNN模型是采用受限玻尔兹曼机RBM和总图像样本对初始的CNN模型进行基于无监督学习的逐层训练,再在所述总图像样本中的少量图像样本被贴上类别标签后,使用被贴上类别标签的少量图像样本进行微调得到的,所述总图像样本为大量用户的应用头像。本专利技术第二方面提供一种建立图像分类模型的方法,包括:获取总图像样本和初始的卷积神经网络CNN模型,所述总图像 ...
【技术保护点】
一种确定业务参数的方法,其特征在于,包括:获取待确定业务参数的用户的应用头像;采用具有图像分类功能的卷积神经网络CNN模型对所述应用头像进行归类处理,得到所述应用头像的多个类别标签;确定所述多个类别标签中每个类别标签对应的数值,得到所述应用头像的头像数值,所述头像数值用于参与确定所述业务参数;其中,所述具有图像分类功能的CNN模型是采用受限玻尔兹曼机RBM和总图像样本对初始的CNN模型进行基于无监督学习的逐层训练,再在所述总图像样本中的少量图像样本被贴上类别标签后,使用被贴上类别标签的少量图像样本进行微调得到的,所述总图像样本为大量用户的应用头像。
【技术特征摘要】
1.一种确定业务参数的方法,其特征在于,包括:获取待确定业务参数的用户的应用头像;采用具有图像分类功能的卷积神经网络CNN模型对所述应用头像进行归类处理,得到所述应用头像的多个类别标签;确定所述多个类别标签中每个类别标签对应的数值,得到所述应用头像的头像数值,所述头像数值用于参与确定所述业务参数;其中,所述具有图像分类功能的CNN模型是采用受限玻尔兹曼机RBM和总图像样本对初始的CNN模型进行基于无监督学习的逐层训练,再在所述总图像样本中的少量图像样本被贴上类别标签后,使用被贴上类别标签的少量图像样本进行微调得到的,所述总图像样本为大量用户的应用头像。2.根据权利要求1所述的方法,其特征在于,所述采用具有图像分类功能的卷积神经网络CNN模型对所述应用头像进行归类处理,得到所述应用头像的多个类别标签,包括:采用具有图像分类功能的卷积神经网络CNN模型计算得到所述应用头像的多个特征值;根据所述多个特征值,以及预先建立的特征权值与类别标签的对应关系确定每个特征值对应的类别标签,得到所述应用头像的多个类别标签。3.一种建立图像分类模型的方法,其特征在于,包括:获取总图像样本和初始的卷积神经网络CNN模型,所述总图像样本为大量用户的应用头像;采用受限玻尔兹曼机RBM和所述总图像样本对所述初始的CNN模型进行基于无监督学习的逐层训练,得到用于图像分类的初始特征权值;用第一部分图像样本对所述初始特征权值进行微调,得到具有图像分类功能的CNN模型;其中,所述第一部分图像样本为所述总图像样本中的一小部分,所述第一部分图像样本在从所述总图像样本中抽取后被贴上类别标签。4.根据权利要求3所述的方法,其特征在于,所述用第一部分图像样本对所述初始特征权值进行微调,包括:对所述第一部分图像样本进行有监督学习的逐层训练,提取出所述第一部分图像样本中的特征权值和所述第一部分图像样本的类别标签;将所述初始特征权值与所述第一部分图像样本的类别标签建立关联,得到具有图像分类功能的CNN模型。5.根据权利要求3所述的方法,其特征在于,所述用第一部分图像样本对所述初始特征权值进行微调时,所述方法还包括:对第二部分图像样本进行有监督学习的逐层训练,提取出所述第二部分图像样本中的特征权值和所述第二部分图像样本的类别标签,所述第二部分图像样本的类别标签为所述初始的CNN模型中输出层输出的概率最高的类别标签,所述第二部分图像样本为所述总图像样本中除去所述第一部分图像样本的剩余图像样本;将所述初始特征权值与所述第二部分图像样本的类别标签建立关联。6.根据权利要求3-5任一所述的方法,其特征在于,所述用第一部分图像样本对所述初始特征权值进行微调之前,所述方法还包括:对所述第一部分图像样本进行亮度归一化处理;所述用第一部分图像样本对所述初始特征权值进行微调,包括:用亮度归一化处理后的第一部分图像...
【专利技术属性】
技术研发人员:吴振国,
申请(专利权)人:腾讯科技深圳有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。