【技术实现步骤摘要】
本申请涉及画像数据获取，具体涉及基于深度学习的家居工程师画像数据快速获取方法。
技术介绍
1、随着人们生活水平的提高，智能家居行业得到了快速的发展，家居工程师发挥着巨大的作用。目前，对家居工程师的要求越来越高，需要满足家居服务的高质量要求。为了提高家居服务的质量，现有技术往往通过训练神经网络模型对家居工程师人员数据进行画像处理，通过对家居工程师的工作经历、技能培训等人员数据进行分析，追踪家居工程师的家居服务质量评级以及技能评级的预测结果。
2、通常家居工程师人员数据的维度复杂度较高，其中涉及不同程度的冗余信息以及无效信息数据，容易产生维度灾难的问题。将高维的家居工程师人员数据作为神经网络的输入，由于高维的家居工程师人员数据内含有不同程度的冗余信息以及无效信息数据，并且神经网络的输入信息混乱度较高，导致神经网络模型训练的精度较差，致使无法准确地追踪家居服务质量评级以及技能评级的预测结果。
3、现有技术往往通过数据降维的方法，剔除高维的家居工程师人员数据内含有不同程度的冗余信息以及无效信息数据。比如t-分布随机邻域嵌...
【技术保护点】
1.基于深度学习的家居工程师画像数据快速获取方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的基于深度学习的家居工程师画像数据快速获取方法，其特征在于，所述使用聚类算法，结合信息特征矩阵向量矩阵获取各数据元素的距离特征聚集指数，包括：
3.如权利要求2所述的基于深度学习的家居工程师画像数据快速获取方法，其特征在于，所述根据距离特征聚集指数和数据元素的局部密度获取各数据元素的数据结构紧密指数，包括：
4.如权利要求1所述的基于深度学习的家居工程师画像数据快速获取方法，其特征在于，所述结合数据结构紧密指数获取各聚类簇的簇内结
【技术特征摘要】
1.基于深度学习的家居工程师画像数据快速获取方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的基于深度学习的家居工程师画像数据快速获取方法，其特征在于，所述使用聚类算法，结合信息特征矩阵向量矩阵获取各数据元素的距离特征聚集指数，包括：
3.如权利要求2所述的基于深度学习的家居工程师画像数据快速获取方法，其特征在于，所述根据距离特征聚集指数和数据元素的局部密度获取各数据元素的数据结构紧密指数，包括：
4.如权利要求1所述的基于深度学习的家居工程师画像数据快速获取方法，其特征在于，所述结合数据结构紧密指数获取各聚类簇的簇内结构相似度，包括：
5.如权利要求1所述的基于深度学习的家居工程师画像数据快速获取方法，其特征在于，所述根据聚类簇中数据结构紧密指数和各聚类簇之间的距离获取各聚类簇的簇间距离邻近度，包括：
6.如权利要求1所述...
【专利技术属性】
技术研发人员：徐俊，周书武，
申请(专利权)人：匠达苏州科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。