目标对象处理方法以及装置制造方法及图纸

本说明书实施例提供目标对象处理方法以及装置，其中所述目标对象处理方法包括：从多个数据源获取用户在目标项目中不同处理维度的待处理数据，对所述待处理数据中包含的非结构化数据进行结构化处理，生成目标待处理数据，其中，所述目标待处理数据为结构化数据，根据特征工程算法对所述目标待处理数据进行量化处理，生成所述用户的多个决策因子变量以及各决策因子变量对应的变量值，基于所述多个决策因子变量及所述变量值，生成与所述目标项目对应的所述目标对象。对应的所述目标对象。对应的所述目标对象。

【技术实现步骤摘要】
目标对象处理方法以及装置


[0001]本说明书实施例涉及计算机
，特别涉及一种目标对象处理方法。本说明书一个或者多个实施例同时涉及一种目标对象处理装置，一种计算设备，以及一种计算机可读存储介质。

技术介绍

[0002]随着互联网、物联网的发展，很多领域的数据都发生了爆炸性的增长，面对这些庞大的数据资源，进行大数据分析是一种发现数据之中的规律的数据处理方法，随着大数据的不断扩展，数据使用场景越来越复杂，需要编写各种模型才能有效对数据进行分析。
[0003]对于大部分不了解数据分析模型的用户而言，即使拥有数据资源，也无法分析出数据中的信息。而对于了解数据分析模型的用户而言，仍然需要针对不同数据源中的数据特性开发出特定的模型，费时费力，不能实时、快速地完成数据分析。

技术实现思路

[0004]有鉴于此，本说明书实施例提供了一种目标对象处理方法。本说明书一个或者多个实施例同时涉及一种目标对象处理装置，一种计算设备，以及一种计算机可读存储介质，以解决现有技术中存在的技术缺陷。
[0005]根据本说明书实施例的第一方面，提供了一种目标对象处理方法，包括：
[0006]从多个数据源获取用户在目标项目中不同处理维度的待处理数据；
[0007]对所述待处理数据中包含的非结构化数据进行结构化处理，生成目标待处理数据，其中，所述目标待处理数据为结构化数据；
[0008]根据特征工程算法对所述目标待处理数据进行量化处理，生成所述用户的多个决策因子变量以及各决策因子变量对应的变量值；
[0009]基于所述多个决策因子变量及所述变量值，生成与所述目标项目对应的所述目标对象。
[0010]可选地，所述基于所述多个决策因子变量及所述变量值，生成与所述目标项目对应的所述目标对象，包括：
[0011]将所述多个决策因子变量及所述变量值作为训练样本，对待训练的决策模型进行训练，生成与所述目标项目对应的决策模型。
[0012]可选地，所述根据特征工程算法对所述目标待处理数据进行量化处理，生成所述用户的多个决策因子变量以及各决策因子变量对应的变量值，包括：
[0013]根据特征工程算法对所述目标待处理数据进行量化处理，生成所述用户的多个待筛选的初始决策因子变量以及各初始决策因子变量对应的变量值；
[0014]确定所述待筛选的初始决策因子变量对应的评估指标，并确定所述评估指标对应的评估算法；
[0015]根据所述评估算法以及各初始决策因子变量对应的变量值，分别计算所述待筛选
的初始决策因子变量对应的评估指标值；
[0016]根据所述评估指标值筛选获得所述用户的多个决策因子变量以及各决策因子变量对应的变量值。
[0017]可选地，所述生成所述决策模型之后，还包括：
[0018]获取待决策数据，并确定所述待决策数据所属的数据源；
[0019]在所述多个数据源中包含所述待决策数据所属的数据源的情况下，基于所述待决策数据对所述决策模型的性能进行检测；
[0020]在根据检测结果确定所述决策模型的性能下降的情况下，根据所述多个数据源中包含的待处理数据对所述决策模型进行优化，生成目标决策模型。
[0021]可选地，所述根据所述多个数据源中包含的待处理数据对所述决策模型进行优化，生成目标决策模型，包括：
[0022]根据参数寻优算法对所述决策模型中各个模型参数的参数值进行寻优处理，获得目标模型参数；
[0023]根据所述目标模型参数构建损失函数；
[0024]基于所述损失函数对所述决策模型进行迭代训练，直至达到训练停止条件，停止进行迭代训练，生成目标决策模型。
[0025]可选地，所述生成所述决策模型之后，还包括：
[0026]获取待决策数据，并确定所述待决策数据所属的数据源；
[0027]在所述多个数据源中不包含所述待决策数据所属的数据源的情况下，基于所述待决策数据对所述决策模型进行自适应的增量学习，生成目标决策模型。
[0028]可选地，所述基于所述待决策数据对所述决策模型进行自适应的增量学习，生成目标决策模型，包括：
[0029]根据参数寻优算法对所述决策模型中各个模型参数的参数值进行寻优处理，获得目标模型参数；
[0030]根据所述目标模型参数构建损失函数；
[0031]基于待决策数据以及所述损失函数对所述决策模型进行迭代训练，直至达到训练停止条件，停止进行迭代训练，生成目标决策模型。
[0032]可选地，所述根据所述目标模型参数构建损失函数，包括：
[0033]将所述目标模型参数作为系数，将所述决策模型以及所述目标决策模型的输出作为变量，构建损失函数。
[0034]可选地，所述生成所述决策模型之后，还包括：
[0035]确定所述决策模型对应的评估指标，并确定所述评估指标对应的评估算法；
[0036]根据所述评估算法以及所述决策模型的输出结果，分别计算所述评估指标对应的评估指标值；
[0037]根据所述评估指标以及所述评估指标值，生成所述决策模型的模型评估报告。
[0038]可选地，所述目标对象处理方法，还包括：
[0039]根据所述模型评估报告中包含的所述评估指标以及所述评估指标值，对所述决策模型进行打分；
[0040]根据打分结果对所述决策模型进行等级划分。
[0041]可选地，所述基于所述多个决策因子变量及所述变量值，生成与所述目标项目对应的所述目标对象，包括：
[0042]对所述多个决策因子变量及所述变量值进行特征提取，并对特征提取结果进行特征离散化及序列化处理，生成对应的处理结果；
[0043]将所述处理结果作为训练样本，对待训练的决策模型进行训练，生成与所述目标项目对应的决策模型。
[0044]根据本说明书实施例的第二方面，提供了一种目标对象处理装置，包括：
[0045]获取模块，被配置为从多个数据源获取用户在目标项目中不同处理维度的待处理数据；
[0046]结构化处理模块，被配置为对所述待处理数据中包含的非结构化数据进行结构化处理，生成目标待处理数据，其中，所述目标待处理数据为结构化数据；
[0047]量化处理模块，被配置为根据特征工程算法对所述目标待处理数据进行量化处理，生成所述用户的多个决策因子变量以及各决策因子变量对应的变量值；
[0048]生成模块，被配置为基于所述多个决策因子变量及所述变量值，生成与所述目标项目对应的所述目标对象。
[0049]根据本说明书实施例的第三方面，提供了一种计算设备，包括：
[0050]存储器和处理器；
[0051]所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令：
[0052]从多个数据源获取用户在目标项目中不同处理维度的待处理数据；
[0053]对所述待处理数据中包含的非结构化数据进行结构化处理，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标对象处理方法，包括：从多个数据源获取用户在目标项目中不同处理维度的待处理数据；对所述待处理数据中包含的非结构化数据进行结构化处理，生成目标待处理数据，其中，所述目标待处理数据为结构化数据；根据特征工程算法对所述目标待处理数据进行量化处理，生成所述用户的多个决策因子变量以及各决策因子变量对应的变量值；基于所述多个决策因子变量及所述变量值，生成与所述目标项目对应的所述目标对象。2.根据权利要求1所述的目标对象处理方法，所述基于所述多个决策因子变量及所述变量值，生成与所述目标项目对应的所述目标对象，包括：将所述多个决策因子变量及所述变量值作为训练样本，对待训练的决策模型进行训练，生成与所述目标项目对应的决策模型。3.根据权利要求1或2所述的目标对象处理方法，所述根据特征工程算法对所述目标待处理数据进行量化处理，生成所述用户的多个决策因子变量以及各决策因子变量对应的变量值，包括：根据特征工程算法对所述目标待处理数据进行量化处理，生成所述用户的多个待筛选的初始决策因子变量以及各初始决策因子变量对应的变量值；确定所述待筛选的初始决策因子变量对应的评估指标，并确定所述评估指标对应的评估算法；根据所述评估算法以及各初始决策因子变量对应的变量值，分别计算所述待筛选的初始决策因子变量对应的评估指标值；根据所述评估指标值筛选获得所述用户的多个决策因子变量以及各决策因子变量对应的变量值。4.根据权利要求2所述的目标对象处理方法，所述生成所述决策模型之后，还包括：获取待决策数据，并确定所述待决策数据所属的数据源；在所述多个数据源中包含所述待决策数据所属的数据源的情况下，基于所述待决策数据对所述决策模型的性能进行检测；在根据检测结果确定所述决策模型的性能下降的情况下，根据所述多个数据源中包含的待处理数据对所述决策模型进行优化，生成目标决策模型。5.根据权利要求4所述的目标对象处理方法，所述根据所述多个数据源中包含的待处理数据对所述决策模型进行优化，生成目标决策模型，包括：根据参数寻优算法对所述决策模型中各个模型参数的参数值进行寻优处理，获得目标模型参数；根据所述目标模型参数构建损失函数；基于所述损失函数对所述决策模型进行迭代训练，直至达到训练停止条件，停止进行迭代训练，生成目标决策模型。6.根据权利要求2所述的目标对象处理方法，所述生成所述决策模型之后，还包括：获取待决策数据，并确定所述待决策数据所属的数据源；在所述多个数据源中不包含所述待决策数据所属的数据源的情况下，基于所述待决策
数据对所述决策模型进行自适应的增量学习，...

【专利技术属性】
技术研发人员：邹旭苗，苏冠旭，钟娙雩，方彦明，
申请(专利权)人：浙江网商银行股份有限公司，
类型：发明
国别省市：