人群画像分类模型的建立方法、装置、设备和存储介质制造方法及图纸

本发明专利技术涉及一种人群画像分类模型的建立方法、装置、计算机设备和存储介质，所述方法包括：获取待进行人群画像分类的用户数据，其中每一条用户数据包括该用户对应的多个用户属性；将每个用户属性作为Chow‑Liu算法的一个因子，利用所述Chow‑Liu算法在所有因子中选择因子进行关联，直至关联所有的因子，得到贝叶斯网络模型；将所述用户数据输入到所述贝叶斯网络模型中进行训练，得到所述人群画像分类模型。上述方法构建出的人群画像分类模型的解释性较佳，能够很好地反映出用户数据的各个用户属性之间的相关性。

Establishment method, device, equipment and storage medium of crowd portrait classification model

【技术实现步骤摘要】
人群画像分类模型的建立方法、装置、设备和存储介质
本专利技术涉及数据处理
，特别是涉及的人群画像分类模型的建立方法、装置、计算机设备和存储介质。
技术介绍
人群画像分类是指通过人群画像分类模型，对新输入的用户数据进行人群画像分类的过程。其中，人群画像分类模型是利用预设模型对海量的用户数据进行训练而构建的。以员工画像分类为例，员工数据包括：员工的职位、工龄、教育、性别、部门等多个员工属性。利用预设模型对海量的员工数据进行训练，构建出员工画像分类模型，再通过员工画像分类模型得到若干的员工画像，从而完成对各个员工的分类。在员工画像分类的过程中，可以利用员工的离职情况构建员工离职预测模型，进而通过员工离职预测模型，预测某个员工离职的概率。目前，构建人群画像分类模型所基于的预设模型主要是分类模型和聚类模型，例如SVM，神经网络，k-means等。然而，在对现有技术的研究与实践中，本专利技术的专利技术人发现，现有技术存在以下问题：无论是基于分类模型还是聚类模型构建人群画像分类模型，构建得到的人群画像分类模型仅能够用于分类，其解释性较差，不能很好地反映出用户数据的各个用户属性之间的相关性以及本文档来自技高网...

【技术保护点】
1.一种人群画像分类模型的建立方法，其特征在于，包括：获取待进行人群画像分类的用户数据，其中每一条用户数据包括该用户对应的多个用户属性；将每个用户属性作为Chow‑Liu算法的一个因子，利用所述Chow‑Liu算法在所有因子中选择因子进行关联，直至关联所有的因子，得到贝叶斯网络模型；将所述用户数据输入到所述贝叶斯网络模型中进行训练，得到所述人群画像分类模型。

【技术特征摘要】
1.一种人群画像分类模型的建立方法，其特征在于，包括：获取待进行人群画像分类的用户数据，其中每一条用户数据包括该用户对应的多个用户属性；将每个用户属性作为Chow-Liu算法的一个因子，利用所述Chow-Liu算法在所有因子中选择因子进行关联，直至关联所有的因子，得到贝叶斯网络模型；将所述用户数据输入到所述贝叶斯网络模型中进行训练，得到所述人群画像分类模型。2.根据权利要求1所述的方法，其特征在于，在获取待进行人群画像分类的用户数据的步骤之后，所述方法还包括：对所述用户数据进行数据预处理。3.根据权利要求2所述的方法，其特征在于，所述数据预处理包括：数据清洗以及标准化处理；所述数据清洗包括：删除用户数据中的空缺数据、噪声数据、重复数据以及错误数据；所述标准化处理包括：将同一个用户对应的多个数据进行整合。4.根据权利要求1所述的方法，其特征在于，所述利用所述Chow-Liu算法在所有因子中选择因子进行关联，直至关联所有的因子，包括：对于每一个因子，根据公式一在所有未选取的因子中选择与其KL距离最小的因子作为该因子的关联因子，直至所有因子均被选取；所述公式一为：KL(P(X)||T(X))＝-∑I(Xi，Pa(Xi))+∑H(Xi)-H(X1,X2...,Xn)其中，KL(P(X)||T(X))表示该因子与所有未选择的因子中任一因子的KL距离，P(X)表示进行关联之前所有因子的分布情况，T(X)表示进行关联之后所有因子的分布情况；Xi表示第i个因子，H表示熵，Pa(Xi)表示Xi的父节点；I表示互信息，是通过公式二计算得到的，所述公式二为：其中，p(a)表示数值a出现的概率，p(b)表示数值b出现的概率，p(a,b)表示数值b出现的前提下数值b出现的概率，X1和X2代表所述多个用户属性中任两个用户属性，数值a为...

【专利技术属性】
技术研发人员：金戈，徐亮，肖京，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44