对象分类方法、装置、电子设备和可读存储介质制造方法及图纸

本发明专利技术实施例提供一种对象分类方法、装置、电子设备和可读存储介质，涉及计算机技术领域。本发明专利技术实施例在获取目标对象的订单数据后，对订单数据进行特征提取，得到目标对象的订单特征，将目标对象的订单特征输入到预先训练得到的第一模型，得到目标对象的组合特征，将目标对象的组合特征以及订单特征输入到预先训练得到的第二模型，即可得到目标对象所属的群体类别。如此，通过第一模型和第二模型的组合，实现了对象的精确分类。实现了对象的精确分类。实现了对象的精确分类。

【技术实现步骤摘要】
对象分类方法、装置、电子设备和可读存储介质


[0001]本专利技术涉及计算机
，具体而言，涉及一种对象分类方法、装置、电子设备和可读存储介质。

技术介绍

[0002]对象分类是对象挖掘的一个重要内容，是指按照预先定义的主题类别，为待分类的对象确定一个类别。目前，对于对象的分类，大多是通过单一的分类模型或者算法将未知类别的对象映射到给定的类别当中，分类的准确性较低，有待提高。

技术实现思路

[0003]基于上述研究，本专利技术提供了一种对象分类方法、装置、电子设备和可读存储介质，提高了对象分类的准确性。
[0004]本专利技术的实施例可以通过以下实现：
[0005]第一方面，本专利技术实施例提供一种对象分类方法，所述方法包括：
[0006]获取目标对象的订单数据；
[0007]对所述订单数据进行特征提取，得到所述目标对象的订单特征；
[0008]将所述目标对象的订单特征输入到预先训练得到的第一模型，得到所述目标对象的组合特征；
[0009]将所述目标对象的组合特征以及所述订单特征输入到预先训练得到的第二模型，得到所述目标对象所属的群体类别。
[0010]在可选的实施方式中，在将所述目标对象的订单特征输入到预先训练得到的第一模型，得到所述目标对象的组合特征之前，所述方法还包括：
[0011]获取样本对象的历史订单数据；
[0012]对所述历史订单数据进行特征提取，得到所述样本对象的历史订单特征；
[0013]根据所述样本对象的历史订单特征，对初始第一模型进行训练，得到第一模型。
[0014]在可选的实施方式中，所述根据所述样本对象的历史订单特征，对初始第一模型进行训练，得到第一模型的步骤包括：
[0015]根据所述样本对象的历史订单特征构建决策树；
[0016]对初始第一模型的目标函数进行最小化处理，确定所述决策树的结构，以得到第一模型。
[0017]在可选的实施方式中，在将所述目标对象的组合特征以及所述订单特征输入到预先训练得到的第二模型，得到所述目标对象所属的群体类别之前，所述方法还包括：
[0018]获取所述第一模型输出的样本对象的组合特征以及该样本对象的历史订单特征；
[0019]根据所述第一模型输出的样本对象的组合特征以及该样本对象的历史订单特征，对初始第二模型进行训练，得到第二模型。
[0020]在可选的实施方式中，所述根据所述第一模型输出的样本对象的组合特征以及该
样本对象的历史订单特征，对初始第二模型进行训练，得到第二模型的步骤包括：
[0021]将所述第一模型输出的样本对象的组合特征以及该样本对象的历史订单特征输入到初始第二模型中，得到所述初始第二模型的预测值；
[0022]计算所述预测值与该样本对象的标签值的损失，判断所述损失是否达到预设条件，若未达到，将所述损失反向传播，对所述初始第二模型的参数进行调整，得到中间第二模型，直至所述中间第二模型输出的预测值与所述标签值的损失达到预设条件，得到第二模型。
[0023]在可选的实施方式中，所述将所述目标对象的订单特征输入到预先训练得到的第一模型，得到所述目标对象的组合特征的步骤包括：
[0024]将所述目标对象的订单特征输入到第一模型中，采用贪婪算法，得到所述第一模型中决策树的每一分支的分裂节点；
[0025]根据所述决策树的每一分支的分裂节点，得到所述目标对象的组合特征。
[0026]在可选的实施方式中，所述将所述目标对象的订单特征输入到预先训练得到的第一模型，得到所述目标对象的组合特征的步骤包括：
[0027]对所述订单特征进行预处理，得到预处理后的订单特征；
[0028]将所述预处理后的订单特征输入到所述第一模型，得到所述目标对象的组合特征。
[0029]在可选的实施方式中，所述订单特征包括至少两个子订单特征，所述对所述订单特征进行预处理，得到预处理后的订单特征的步骤包括：
[0030]计算每两个所述子订单特征之间的相关度；
[0031]判断是否存在大于预设阈值的目标相关度；
[0032]若存在，则分别获取所述目标相关度对应的两个目标子订单特征与其它子订单特征的相关度，剔除最高相关度对应的目标子订单特征，得到预处理后的订单特征。
[0033]第二方面，本专利技术实施例提供一种对象分类装置，包括：
[0034]数据获取模块，用于获取目标对象的订单数据；
[0035]特征提取模块，用于对所述订单数据进行特征提取，得到所述目标对象的订单特征；
[0036]第一处理模块，用于将所述目标对象的订单特征输入到预先训练得到的第一模型，得到所述目标对象的组合特征；
[0037]第二处理模块，用于将所述目标对象的组合特征以及所述订单特征输入到预先训练得到的第二模型，得到所述目标对象所属的群体类别。
[0038]第三方面，本专利技术实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述任一实施方式所述的对象分类方法。
[0039]第四方面，本专利技术实施例提供一种存储介质，所述可读存储介质包括计算机程序，所述计算机程序运行时控制所述可读存储介质所在电子设备执行前述任一实施方式所述的对象分类方法。
[0040]本专利技术实施例提供的对象分类方法、装置、电子设备和可读存储介质，在获取目标对象的订单数据后，对订单数据进行特征提取，得到目标对象的订单特征，通过将目标对象
的订单特征输入到预先训练得到的第一模型，得到目标对象的组合特征，将目标对象的组合特征以及订单特征输入到预先训练得到的第二模型，得到目标对象所属的群体类别。如此，通过第一模型和第二模型的组合，实现了对象的精确分类。
附图说明
[0041]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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相关的附图。
[0042]图1为本专利技术实施例所提供的电子设备的一种结构示意图。
[0043]图2为本专利技术实施例所提供的对象分类方法的一种流程示意图。
[0044]图3为本专利技术实施例所提供的对象分类装置的一种方框示意图。
[0045]图4为本专利技术实施例所提供的对象分类装置的另一种方框示意图。
[0046]图标：100
‑
电子设备；10
‑
对象分类装置；11
‑
数据获取模块；12
‑
特征提取模块；13
‑
第一处理模块；14
‑
第二处理模块；15
‑
第一模型训练模块；16
‑
第二模型训练模块；20
‑
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对象分类方法，其特征在于，所述方法包括：获取目标对象的订单数据；对所述订单数据进行特征提取，得到所述目标对象的订单特征；将所述目标对象的订单特征输入到预先训练得到的第一模型，得到所述目标对象的组合特征；将所述目标对象的组合特征以及所述订单特征输入到预先训练得到的第二模型，得到所述目标对象所属的群体类别。2.根据权利要求1所述的对象分类方法，其特征在于，在将所述目标对象的订单特征输入到预先训练得到的第一模型，得到所述目标对象的组合特征之前，所述方法还包括：获取样本对象的历史订单数据；对所述历史订单数据进行特征提取，得到所述样本对象的历史订单特征；根据所述样本对象的历史订单特征，对初始第一模型进行训练，得到第一模型。3.根据权利要求2所述的对象分类方法，其特征在于，所述根据所述样本对象的历史订单特征，对初始第一模型进行训练，得到第一模型的步骤包括：根据所述样本对象的历史订单特征构建决策树；对初始第一模型的目标函数进行最小化处理，确定所述决策树的结构，以得到第一模型。4.根据权利要求1所述的对象分类方法，其特征在于，在将所述目标对象的组合特征以及所述订单特征输入到预先训练得到的第二模型，得到所述目标对象所属的群体类别之前，所述方法还包括：获取所述第一模型输出的样本对象的组合特征以及该样本对象的历史订单特征；根据所述第一模型输出的样本对象的组合特征以及该样本对象的历史订单特征，对初始第二模型进行训练，得到第二模型。5.根据权利要求4所述的对象分类方法，其特征在于，所述根据所述第一模型输出的样本对象的组合特征以及该样本对象的历史订单特征，对初始第二模型进行训练，得到第二模型的步骤包括：将所述第一模型输出的样本对象的组合特征以及该样本对象的历史订单特征输入到初始第二模型中，得到所述初始第二模型的预测值；计算所述预测值与该样本对象的标签值的损失，判断所述损失是否达到预设条件，若未达到，将所述损失反向传播，对所述初始第二模型的参数进行调整，得到中间第二模型，直至所述中间第二模型输出的预测值与所述标...

【专利技术属性】
技术研发人员：赵艳坤，郭嘉伟，陈垦，李灵，
申请(专利权)人：顺丰科技有限公司，
类型：发明
国别省市：