分类模型的训练方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种分类模型的训练方法、装置、计算机设备和存储介质。所述方法包括：获取样本用户数据；根据初始粒子惯性因子，通过粒子群算法，确定分类模型的目标学习参数；其中，所述目标学习参数包括学习率和/或学习次数；根据所述目标学习参数和所述样本用户数据，对所述分类模型进行训练；其中，训练后的所述分类模型用于基于目标用户数据，对目标用户进行分类。采用本方法能够提高用户分类的精度与普适性。适性。适性。

【技术实现步骤摘要】
分类模型的训练方法、装置、计算机设备和存储介质


[0001]本申请涉及人工智能
，特别是涉及一种分类模型的训练方法、装置、计算机设备和存储介质。

技术介绍

[0002]随着人工智能技术的发展，神经网络模型在生产和生活中的应用越来越广泛。例如，为了给用户提供更有针对性的服务，可以通过训练一个分类模型，来对用户进行精准分类，从而确定一个用户相对于一个产品服务是积极用户，还是消极用户。
[0003]然而，在对分类模型进行训练的过程中，需要配置模型的学习参数，例如模型的学习率和/或学习次数。目前，现有技术通常需要人工基于经验来设置学习参数。受人因素影响较大，准确性无法保障，从而影响分类模型的训练结果的准确性。亟需改进。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够更加精准普适的分类模型的训练方法、装置、计算机设备和计算机可读存储介质。
[0005]第一方面，本申请提供了一种分类模型的训练方法。该方法包括：
[0006]获取样本用户数据；
[0007]根据初始粒子惯性因子，通过粒子群算法，确定分类模型的目标学习参数；其中，目标学习参数包括学习率和/或学习次数；
[0008]根据目标学习参数和样本用户数据，对分类模型进行训练；其中，训练后的分类模型用于基于目标用户数据，对目标用户进行分类。
[0009]在其中一个实施例中，根据初始粒子惯性因子，通过粒子群算法，确定分类模型的目标学习参数，包括：
[0010]根据初始粒子惯性因子，确定当前粒子惯性因子和当前粒子惯性因子对应的当前粒子速度；
[0011]根据当前粒子速度，确定当前学习参数，并将当前学习参数添加到学习参数集中；
[0012]判断当前学习参数是否达到预设数值；
[0013]若否，则根据粒子个体因子、粒子群体因子、当前粒子惯性因子、以及当前粒子惯性因子对应的当前粒子速度和当前粒子位置，确定下一粒子惯性因子对应的下一粒子速度，并根据下一粒子速度、粒子权重值和粒子目标值，确定下一粒子惯性因子；
[0014]将下一粒子速度作为新的当前粒子速度，将下一粒子惯性因子，作为新的当前粒子惯性因子，返回执行根据当前粒子速度，确定当前学习参数，并将当前学习参数添加到学习参数集中的操作，直到当前学习参数达到预设数值；
[0015]从学习参数集中，确定分类模型的目标学习参数。
[0016]在其中一个实施例中，根据初始粒子惯性因子，确定当前粒子惯性因子和当前粒子惯性因子对应的当前粒子速度，包括：
[0017]根据初始粒子惯性因子、粒子权重值和粒子目标值，确定初始粒子惯性因子对应的初始粒子速度；
[0018]根据粒子个体因子、粒子群体因子、初始粒子惯性因子、初始粒子惯性因子对应的初始粒子速度和初始粒子位置，确定当前粒子速度；
[0019]根据当前粒子速度、粒子权重值和粒子目标值，确定当前粒子惯性因子。
[0020]在其中一个实施例中，当前粒子速度与目标学习参数呈正相关。
[0021]在其中一个实施例中，获取样本用户数据，包括：
[0022]获取样本用户的历史行为数据；其中，每一样本用户的历史行为数据包括预设时段内该样本用户在不同操作属性下的行为数据；
[0023]对历史行为数据进行清洗和/或编码处理，得到样本用户数据。
[0024]在其中一个实施例中，对历史行为数据进行清洗处理包括：
[0025]确定历史行为数据中的缺失数据，以及缺失数据对应的缺失类型；其中，缺失类型包括：连续性缺失和非连续性缺失；
[0026]根据缺失类型，确定缺失数据的清洗方式；
[0027]根据清洗方式，对历史行为数据中的缺失数据进行清洗处理。
[0028]在其中一个实施例中，对历史行为数据进行编码处理，包括：
[0029]对历史行为数据中的非数值字段的数据进行数值化编码处理。
[0030]第二方面，本申请还提供了一种分类模型的训练装置。装置包括：
[0031]数据获取模块，用于获取样本用户数据；
[0032]参数确定模块，用于根据初始粒子惯性因子，通过粒子群算法，确定分类模型的目标学习参数；
[0033]模型训练模块，用于根据目标学习参数和样本用户数据，对分类模型进行训练。
[0034]第三方面，本申请还提供了一种计算机设备。计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
[0035]获取样本用户数据；
[0036]根据初始粒子惯性因子，通过粒子群算法，确定分类模型的目标学习参数；其中，目标学习参数包括学习率和/或学习次数；
[0037]根据目标学习参数和样本用户数据，对分类模型进行训练；其中，训练后的分类模型用于基于目标用户数据，对目标用户进行分类。
[0038]第四方面，本申请还提供了一种计算机可读存储介质。计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0039]获取样本用户数据；
[0040]根据初始粒子惯性因子，通过粒子群算法，确定分类模型的目标学习参数；其中，目标学习参数包括学习率和/或学习次数；
[0041]根据目标学习参数和样本用户数据，对分类模型进行训练；其中，训练后的分类模型用于基于目标用户数据，对目标用户进行分类。
[0042]第五方面，本申请还提供了一种计算机程序产品。计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0043]获取样本用户数据；
[0044]根据初始粒子惯性因子，通过粒子群算法，确定分类模型的目标学习参数；其中，目标学习参数包括学习率和/或学习次数；
[0045]根据目标学习参数和样本用户数据，对分类模型进行训练；其中，训练后的分类模型用于基于目标用户数据，对目标用户进行分类。
[0046]上述分类模型的训练方法、装置、计算机设备和存储介质，通过粒子群算法确定模型训练中的学习率和/或学习次数，再根据确定出的学习率/或学习次数以及获取的样本用户数据对分类模型进行训练，由于学习率和/或学习次数是由粒子群算法确定的，而粒子群算法能够在众多解中找到最优解，因此相比于现有技术人工设置学习率和/或学习次数，本申请确定的学习率和/或学习次数参数更为精准，进而使得训练出的分类模型更加精准，从而实现在面对不同用户时，只需将用户数据输入到训练好的分类模型中，即可对用户进行精准分类，因此本方案的分类模型的训练方法更加普适且精度更高。
附图说明
[0047]图1为一个实施例中分类模型的训练方法的应用环境图；
[0048]图2为一个实施例中分类模型的训练方法的流程示意图；
[0049]图3为一个实施例中确定目标学习参数的流程示意图；
[0050]图4为一个实施例中确定当前粒子惯性因子的流程示意图；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分类模型的训练方法，其特征在于，所述方法包括：获取样本用户数据；根据初始粒子惯性因子，通过粒子群算法，确定分类模型的目标学习参数；其中，所述目标学习参数包括学习率和/或学习次数；根据所述目标学习参数和所述样本用户数据，对所述分类模型进行训练；其中，训练后的所述分类模型用于基于目标用户数据，对目标用户进行分类。2.根据权利要求1所述的方法，其特征在于，所述根据初始粒子惯性因子，通过粒子群算法，确定分类模型的目标学习参数，包括：根据初始粒子惯性因子，确定当前粒子惯性因子和所述当前粒子惯性因子对应的当前粒子速度；根据当前粒子速度，确定当前学习参数，并将所述当前学习参数添加到学习参数集中；判断所述当前学习参数是否达到预设数值；若否，则根据粒子个体因子、粒子群体因子、所述当前粒子惯性因子、以及所述当前粒子惯性因子对应的当前粒子速度和当前粒子位置，确定所述下一粒子惯性因子对应的下一粒子速度，并根据下一粒子速度、粒子权重值和粒子目标值，确定下一粒子惯性因子；将下一粒子速度作为新的当前粒子速度，将下一粒子惯性因子，作为新的当前粒子惯性因子，返回执行根据当前粒子速度，确定当前学习参数，并将所述当前学习参数添加到学习参数集中的操作，直到所述当前学习参数达到预设数值；从所述学习参数集中，确定分类模型的目标学习参数。3.根据权利要求2所述的方法，其特征在于，所述根据初始粒子惯性因子，确定当前粒子惯性因子和所述当前粒子惯性因子对应的当前粒子速度，包括：根据所述初始粒子惯性因子、所述粒子权重值和所述粒子目标值，确定所述初始粒子惯性因子对应的初始粒子速度；根据粒子个体因子、粒子群体因子、所述初始粒子惯性因子、所述初始粒子惯性因子对应的初始粒子速度和初始粒子位置，确定当前粒子速度；根据当前粒子速度、所述粒子权重值和所述粒子目...

【专利技术属性】
技术研发人员：程鹏，任政，王鹏培，吴庭栋，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：