一种基于属性的信息预测方法和相关设备技术

本发明专利技术公开了一种基于属性的信息预测方法和相关设备，方法包括:获取对象数据集和所述对象属性集对应的实例数据，所述对象数据集包括对象属性集和映射关系集；根据所述对象属性集和所述映射关系集，构建属性关系网络；基于所述属性关系网络，对所述实例数据进行推演，得到预测模型；将待预测数据输入所述预测模型，并控制所述预测模型对所述待预测数据进行推演，得到与所述待预测数据对应的预测结果。本发明专利技术能够建立模式化生成预测模型的方法，即便转换预测的类型、平台等因素，都可快速方便得到高稳定性的预测模型。方便得到高稳定性的预测模型。方便得到高稳定性的预测模型。

【技术实现步骤摘要】
一种基于属性的信息预测方法和相关设备


[0001]本专利技术涉及信息处理
，特别涉及一种基于属性的信息预测方法和相关设备。

技术介绍

[0002]随着数字模型的发展，根据一些属性的变化，对结果进行预测的方法越来越多。例如早期对于天气的预测主要根据云朵，现在对天气的预测可根据温度、适度、风速等因素预测。随着发现影响天气的因素越来越多，预测模型也越来越复杂，对于这些因素的利用率反而容易受到干扰而下降。再例如对于用户的价值评价而言，点击率、展示率、投资回报率等评价指标越来越多，对于用户价值的预测并不一定准确。在进行属性扩展后，预测模型的准确度下降。此外，随着影响因素的增加，平台的变更，预测模型越来越复杂，甚至对于之前的模型要推翻重来，这也带来了巨大的时间消耗和成本。这一切都由于这些预测模型的兼容性差，无法适应平台等条件变化。

技术实现思路

[0003]本专利技术要解决的技术问题在于目前预测的模型具有兼容性差，针对现有技术的不足，提供一种基于属性的信息预测方法和相关设备。
[0004]为了解决上述技术问题，本专利技术所采用的技术方案如下：
[0005]一种基于属性的信息预测方法，所述方法包括：
[0006]获取对象数据集和所述对象属性集对应的实例数据，所述对象数据集包括对象属性集和映射关系集；
[0007]根据所述对象属性集和所述映射关系集，构建属性关系网络；
[0008]基于所述属性关系网络，对所述实例数据进行推演，得到预测模型；
[0009]将待预测数据输入所述预测模型，并控制所述预测模型对所述待预测数据进行推演，得到与所述待预测数据对应的预测结果。
[0010]所述基于属性的信息预测方法，其中，所述根据所述对象属性集和所述映射关系集，构建属性关系网络包括：
[0011]根据所述对象属性集和所述映射关系集，生成若干个映射属性集；
[0012]根据所述映射属性集，构建属性关系网络。
[0013]所述基于属性的信息预测方法，其中，所述属性关系网络包括显性关系网络和隐性关系网络。
[0014]所述基于属性的信息预测方法，其中，所述映射关系集包括若干个映射函数，所述映射属性集包括输入子集和输出子集；所述根据所述对象属性集和所述映射关系集，生成若干个映射属性集包括：
[0015]针对每一个所述映射函数，将所述对象属性集中与该映射函数中自变量对应的状态属性作为输入子集，与该映射函数中因变量对应的状态属性作为输出子集，得到与该映
射函数对应的映射属性集。
[0016]所述基于属性的信息预测方法，其中，所述基于所述属性关系网络，对所述实例数据进行推演，得到预测模型包括：
[0017]将所述实例数据中的输入数据输入至所述属性关系网络，得到训练数据；
[0018]将所述训练数据和所述实例数据中的输出数据进行比较，得到损失值；
[0019]基于损失值，对所述属性关系网络进行调整，直至所述属性关系网络收敛，得到预测模型。
[0020]所述基于属性的信息预测方法，其中，所述将所述实例数据中的输入数据输入至所述属性关系网络，得到训练数据包括：
[0021]根据预设的推演步数和所述映射属性集的数量，将所述输入输入数据输入至所述属性关系网络，得到训练数据。
[0022]所述基于属性的信息预测方法，其中，所述基于损失值，对所述属性关系网络进行调整，直至所述属性关系网络收敛，得到预测模型包括：
[0023]计算第N个所述训练数据与第N+1个所述训练数据之间的差值，得到稳定差；
[0024]当所述稳定差小于预设的阈值时，所述属性关系网络收敛，得到预测模型。
[0025]一种基于属性的信息预测装置，包括：
[0026]获取模块，用于获取对象数据集和所述对象属性集对应的实例数据，所述对象数据集包括对象属性集和映射关系集；
[0027]构建模块，用于根据所述对象属性集和所述映射关系集，构建属性关系网络；
[0028]推演模块，用于基于所述属性关系网络，对所述实例数据进行推演，得到预测模型；
[0029]预测模块，用于将待预测数据输入所述预测模型，并控制所述预测模型对所述待预测数据进行推演，得到与所述待预测数据对应的预测结果。
[0030]一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的基于属性的信息预测方法中的步骤。
[0031]一种终端设备，其包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
[0032]所述通信总线实现处理器和存储器之间的连接通信；
[0033]所述处理器执行所述计算机可读程序时实现如上任一所述的基于属性的信息预测方法中的步骤。
[0034]有益效果：本专利技术提供一种基于属性的信息预测方法和相关设备，首先获取对象数据集，该对象数据集包括由状态属性组成的对象属性集和由映射关系组成的映射关系集。对象属性集和映射关系集可根据用户需求、平台变化等进行调整。但是后续都会统一建立属性关系网络，基于属性关系网络对实例数据进行推演，直至属性关系网络稳定，得到预测模型。最后在将待预测的数据输入到预测模型中进行预测，得到预测结果。若需要变更对象属性的类型以及映射关系，则直接在原有的基础上进行变动，后续自动得到预测模型，不需要重新构建模型，自动快速且方便，极大地提高了预测方法在不同环境中的应用。
附图说明
[0035]图1为本专利技术提供的基于属性的信息预测方法的流程图。
[0036]图2为本专利技术提供的基于属性的信息预测方法的显性关系网络示意图。
[0037]图3为本专利技术提供的基于属性的信息预测方法的隐性关系网络示意图。
[0038]图4为本专利技术提供的基于属性的信息预测方法的属性关系网络的示意图。
[0039]图5为本专利技术提供的基于属性的信息预测装置的结构示意图。
[0040]图6为本专利技术提供的终端设备的结构原理图。
具体实施方式
[0041]本专利技术提供一种基于属性的信息预测方法，为使本专利技术的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0042]本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于属性的信息预测方法，其特征在于，所述方法包括：获取对象数据集和所述对象属性集对应的实例数据，所述对象数据集包括对象属性集和映射关系集；根据所述对象属性集和所述映射关系集，构建属性关系网络；基于所述属性关系网络，对所述实例数据进行推演，得到预测模型；将待预测数据输入所述预测模型，并控制所述预测模型对所述待预测数据进行推演，得到与所述待预测数据对应的预测结果。2.根据权利要求1所述基于属性的信息预测方法，其特征在于，所述根据所述对象属性集和所述映射关系集，构建属性关系网络包括：根据所述对象属性集和所述映射关系集，生成若干个映射属性集；根据所述映射属性集，构建属性关系网络。3.根据权利要求2所述基于属性的信息预测方法，其特征在于，所述属性关系网络包括显性关系网络和隐性关系网络。4.根据权利要求2所述基于属性的信息预测方法，其特征在于，所述映射关系集包括若干个映射函数，所述映射属性集包括输入子集和输出子集；所述根据所述对象属性集和所述映射关系集，生成若干个映射属性集包括：针对每一个所述映射函数，将所述对象属性集中与该映射函数中自变量对应的状态属性作为输入子集，与该映射函数中因变量对应的状态属性作为输出子集，得到与该映射函数对应的映射属性集。5.根据权利要求2所述基于属性的信息预测方法，其特征在于，所述基于所述属性关系网络，对所述实例数据进行推演，得到预测模型包括：将所述实例数据中的输入数据输入至所述属性关系网络，得到训练数据；将所述训练数据和所述实例数据中的输出数据进行比较，得到损失值；基于损失值，对所述属性关系网络进行调整，直至所述属性关系网络收敛，得到预测模型。6.根据权利要求4所述基于属...

【专利技术属性】
技术研发人员：张晟，
申请(专利权)人：深圳掌屿软件有限公司，
类型：发明
国别省市：