一种确定业务参数的方法及装置制造方法及图纸

本发明专利技术公开了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模型对应用头像进行归类处理，得到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。本发明专利技术实施例提供的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。

Method and device for determining service parameter

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。本专利技术第三方面提供一种确定业务参数的装置，包括：获取单元，用于获取待确定业务参数的用户的应用头像；归类单元，用于采用具有图像分类功能的卷积神经网络CNN模型对所述获取单元获取的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；确定单元，用于确定所述归类单元归类后得到的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。本专利技术第四方面提供一种建立图像分类模型的装置，包括：获取单元，用于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；计算单元，用于采用受限玻尔兹曼机RBM和所述获取单元获取的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；调整单元，用于用第一部分图像样本对所述计算单元得到的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。本专利技术实施例采用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。与现有技术中无法得到绝大多数人的业务参数相比，本专利技术实施例提供的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。例如：现有技术中无法评估绝大多数人的可信度，而本申请所提供的方案可以用户的应用头像进行可信度的评估，得到用户的信用评分，从而提高了用户信用评分的广泛度。附图说明为了更清楚地说明本专利技术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专利技术的一些实施例，对于本领域技术人员来讲，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是本专利技术实施例中建立图像分类模型的方法的一实施例示意图；图2是本专利技术实施例中CNN模型的结构示意图；图3是本专利技术实施例中建立图像分类模型的方法的另一实施例示意图；图4是本专利技术实施例中确定业务参数的方法的一实施例示意图；图5是本专利技术实施例中确定业务参数的装置的一实施例示意图；图6是本专利技术实施例中确定业务参数的装置的另一实施例示意图；图7是本专利技术实施例中建立图像分类模型的方法的一实施例示意图；图8是本专利技术实施例中建立图像分类模型的方法的另一实施例示意图；图9是本专利技术实施例中确定业务参数的装置的另一实施例示意图；图10是本专利技术实施例中建立图像分类模型的方法的另一实施例示意图。实施方式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可信度评估，从而提高了用户可信度评估的广泛度。以下分别进行详细说明。下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。在描述本专利技术实施例之前，先对本专利技术实施例中涉及到的名词做初步的介绍：卷积神经网络(convolutionalneuralnetworks，CNN)模型：一种深度学习模型，通过卷积运算来提取特征，卷积核通过机器自动学习得到。受限玻尔兹曼机(restrictedBoltzmannmachine，RBM)一种神经网络模型，通过最小化能量函数来训练参数，可预训练深度学习模型。单标签分类：一种分类方法，为每个样本计算一个标签，其中这个标签属于一个互斥的标签集合。多标签分类：一种分类方法，为每个样本同时计算多个标签。无监督学习:一种训练方法，有训练样本，但是没有训练标签。有监督学习:一种训练方法，有训练样本和训练标签。半监督学习：一种训练方法，有训练样本，但只有一部分有训练标签。随着各种社交应用的广泛普及，在避免涉及用户隐私的情况下，可以选择用户的应用头像来分析用户的信用情况，例如：QQ头像、微信头像、支付宝头像和微博头像等，应用头像是大家都可见的，不涉及到用户隐私，而且，用户头像是用户根据自己的兴趣爱好和主观意愿自己设置的，这是一种主动的行为，一定程度上反映了用户的心理。需要说明的是，本专利技术实施例的方案不限于社交应用，所有可以公开的用户应用头像本文档来自技高网...

【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