数据处理方法、装置、计算机设备及计算机可读存储介质制造方法及图纸

本申请实施例公开了一种数据处理方法、装置、计算机设备及计算机可读存储介质，其中，所述方法包括：一种数据处理方法，其中，包括：获取资源池的资源信息及至少一个目标对象的指定属性信息；利用目标分类模型，确定每一所述目标对象的指定属性信息对应的权重，并基于所述指定属性信息对应的权重确定每一所述目标对象对应的优先级；基于每一所述目标对象的指定属性信息和对应的优先级，从所述资源池的资源信息中确定为每一所述目标对象分配的资源信息。信息。信息。

【技术实现步骤摘要】
数据处理方法、装置、计算机设备及计算机可读存储介质


[0001]本申请涉及但不限于计算机
，尤其涉及一种数据处理方法、装置、计算机设备及计算机可读存储介质。

技术介绍

[0002]在为属于同一用户标识(Identity document,ID)下的多个任务对象分配该用户ID下的资源时，合理的分配方案能够提高用户资源的利用率和整体的任务处理效率。相关技术中，针对用户资源的分配方案较为单一，造成资源利用率低等问题。

技术实现思路

[0003]有鉴于此，本申请实施例至少提供一种数据处理方法、装置、计算机设备及计算机可读存储介质。
[0004]本申请实施例的技术方案是这样实现的：
[0005]一方面，本申请实施例提供一种数据处理方法，所述方法包括：
[0006]获取资源池的资源信息及至少一个目标对象的指定属性信息；
[0007]利用目标分类模型，确定每一所述目标对象的指定属性信息对应的权重，并基于所述指定属性信息对应的权重确定每一所述目标对象对应的优先级；
[0008]基于每一所述目标对象的指定属性信息和对应的优先级，从所述资源池的资源信息中确定为每一所述目标对象分配的资源信息。
[0009]在一些实施例中，所述方法还包括：
[0010]获取第一样本集合和第一分类模型；
[0011]利用交叉验证的方式，基于所述第一样本集合，对所述第一分类模型进行优化，得到所述目标分类模型。
[0012]在一些实施例中，所述方法还包括：
[0013]获取第一样本集合、第二样本集合和第一分类模型；其中，所述第一样本集合和所述第二样本集合中的每一样本携带样本优先级；
[0014]基于所述第一样本集合，对所述第一分类模型进行优化，得到第二分类模型；
[0015]利用所述第二分类模型，对所述第二样本集合中的每一样本进行优先级分类，得到每一样本对应的预测优先级；
[0016]基于所述样本优先级和所述预测优先级，对所述第一分类模型的超参数进行优化，得到所述目标分类模型。
[0017]在一些实施例中，所述基于所述样本优先级和所述预测优先级，对所述第一分类模型的超参数进行优化，得到所述目标分类模型，包括：
[0018]基于所述样本优先级和所述预测优先级，构造适应度函数；
[0019]基于所述适应度函数，对所述第一分类模型的超参数进行优化，得到所述目标分类模型。
[0020]在一些实施例中，所述基于所述样本优先级和所述预测优先级，构造适应度函数，包括：
[0021]基于所述样本优先级和所述预测优先级的方差，构造所述适应度函数。
[0022]在一些实施例中，所述基于所述适应度函数，对所述第一分类模型的超参数进行优化，得到所述目标分类模型，包括：
[0023]获取至少一个超参数组合；其中，每一所述超参数组合为所述第一分类模型的一组超参数的集合；
[0024]基于所述适应度函数，确定针对每一所述超参数组合的更新策略；
[0025]基于确定的所述更新策略，对每一所述超参数组合进行更新，得到更新后的至少一个超参数组合；
[0026]确定更新后的每一超参数组合对应的适应度函数值；
[0027]在针对所述至少一个超参数组合执行指定的更新次数后，确定适应度函数值最小的超参数组合；
[0028]基于所述适应度函数值最小的超参数组合，确定所述目标分类模型。
[0029]在一些实施例中，所述基于每一所述目标对象的属性信息和对应的优先级，从所述资源池的资源信息中确定为每一所述目标对象分配的资源信息，包括：
[0030]基于每一所述目标对象的属性信息和对应的优先级，从所述资源池的资源信息中确定为所述优先级较高的目标对象分配的第一资源信息和所述资源池中的剩余资源信息；
[0031]基于所述剩余资源信息和所述优先级较低的目标对象的属性信息，确定所述剩余资源信息满足所述优先级较低的目标对象的需求的情况下，为所述优先级较低的目标对象分配第二资源信息。
[0032]另一方面，本申请实施例提供一种数据处理装置，所述装置包括：
[0033]获取模块，用于获取资源池的资源信息和至少一个目标对象的指定属性信息；
[0034]第一确定模块，用于利用目标分类模型，确定每一所述目标对象的指定属性信息对应的权重，并基于所述指定属性信息对应的权重确定每一所述目标对象对应的优先级；
[0035]第二确定模块，用于基于每一所述目标对象的属性信息和对应的优先级，从所述资源池的资源信息中确定为每一所述目标对象分配的资源信息。
[0036]再一方面，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有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上述方法中的部分或全部步骤。
[0037]又一方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法中的部分或全部步骤。
[0038]本申请实施例中，通过利用目标分类模型，确定每一目标对象的指定属性信息对应的权重，并基于指定属性信息对应的权重确定每一目标对象对应的优先级，基于每一目标对象的属性信息和对应的优先级，从资源池的资源信息中确定为每一目标对象分配的资源信息。这样，将资源信息汇总到资源池，作为至少一个目标对象的共享资源，使目标对象与资源的匹配关系更加灵活，从而可以提高资源的利用率，及为目标对象分配资源信息的及时性；同时，基于每一目标对象对应的优先级确定为每一目标对象分配的资源信息，可以兼顾目标对象的优先级，使资源信息的分配更加合理；另外，利用目标分类模型自动确定每
一目标对象对应的优先级，可以减少由人工确定优先级带来的人工成本较高的问题，同时也降低了基于经验主观确定优先级而带来的偏差；最后，目标分类模型是基于每一目标对象的指定属性信息对应的权重来确定每一目标对象对应的优先级的，因此，在确定优先级时，可以兼顾目标对象的至少一个影响因子，从而得到更加准确的优先级。
[0039]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开的技术方案。
附图说明
[0040]此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本申请的实施例，并与说明书一起用于说明本申请的技术方案。
[0041]图1为本申请实施例提供的一种数据处理方法的实现流程示意图；
[0042]图2为本申请实施例提供的一种数据处理方法中的目标分类模型的训练流程示意图；
[0043]图3为本申请实施例提供的一种数据处理方法中的目标分类模型的训练流程示意图；
[0044]图4为基于多种机器学习分类算法搭建的优先级分类模型的优先级预测准确率示意图；
[0045]图5为本申请实施例提供的一个应用实施例中目标分类模型的训练流程示意图；
[0046]图6为本申请实施例提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据处理方法，其中，包括：获取资源池的资源信息及至少一个目标对象的指定属性信息；利用目标分类模型，确定每一所述目标对象的指定属性信息对应的权重，并基于所述指定属性信息对应的权重确定每一所述目标对象对应的优先级；基于每一所述目标对象的指定属性信息和对应的优先级，从所述资源池的资源信息中确定为每一所述目标对象分配的资源信息。2.根据权利要求1所述的方法，其中，所述方法还包括：获取第一样本集合和第一分类模型；利用交叉验证的方式，基于所述第一样本集合，对所述第一分类模型进行优化，得到所述目标分类模型。3.根据权利要求1至2任一项所述的方法，其中，所述方法还包括：获取第一样本集合、第二样本集合和第一分类模型；其中，所述第一样本集合和所述第二样本集合中的每一样本携带样本优先级；基于所述第一样本集合，对所述第一分类模型进行优化，得到第二分类模型；利用所述第二分类模型，对所述第二样本集合中的每一样本进行优先级分类，得到每一样本对应的预测优先级；基于所述样本优先级和所述预测优先级，对所述第一分类模型的超参数进行优化，得到所述目标分类模型。4.根据权利要求3所述的方法，其中，所述基于所述样本优先级和所述预测优先级，对所述第一分类模型的超参数进行优化，得到所述目标分类模型，包括：基于所述样本优先级和所述预测优先级，构造适应度函数；基于所述适应度函数，对所述第一分类模型的超参数进行优化，得到所述目标分类模型。5.根据权利要求4所述的方法，其中，所述基于所述样本优先级和所述预测优先级，构造适应度函数，包括：基于所述样本优先级和所述预测优先级的方差，构造所述适应度函数。6.根据权利要求4所述的方法，其中，所述基于所述适应度函数，对所述第一分类模型的超参数进行优化，得到所述目标分类模型，包括：获取至少一个超参数组合；其中，每一所述超参数组合为...

【专利技术属性】
技术研发人员：孙珊珊，王涛，
申请(专利权)人：联想北京有限公司，
类型：发明
国别省市：