对象分类方法、装置、存储介质、设备及产品与流程

本技术涉及人工智能，具体涉及一种对象分类方法、装置、存储介质、设备及产品。

背景技术：

1、对象分类即对待分类的对象进行分类的工作，例如通过对象分类可以确定待分类的对象的违约类别或消费意愿类别等等。目前的对象分类工作中存在采用机器学习和深度学习算法的分类模型进行对象分类的方式。

2、但是，目前的对象分类方式下，分类模型大多严重依赖于待分类对象自身的静态特征和时序行为特征等特征的提取来进行分类，存在对象分类准确性较低的问题。

技术实现思路

1、本技术实施例提供一种对象分类方法、装置、存储介质、设备及产品，可以有效提升对象分类准确性。

2、为解决上述技术问题，本技术实施例提供以下技术方案：

3、根据本技术的一个实施例，一种对象分类方法，该方法包括：获取至少一个对象的对象信息，所述对象信息中包括至少一种产品类目；将每种所述产品类目关联的对象分别进行分类处理，得到每个对象在每种关联产品类目下的同类对象，所述关联产品类目为每个对象关联的产品类目；以每个所述对象为目标对象，基于所述目标对象在每种关联产品类目下的同类对象的对象信息，分别生成每种关联产品类目下的增强特征数据；将每种关联产品类目下的增强特征数据与同类对象权重进行计算处理，得到所述目标对象的对象特征数据，所述同类对象权重为所述同类对象在对应的关联产品类目下的权重；根据所述目标对象的对象特征数据，得到所述目标对象的第一分类结果。

4、根据本技术的一个实施例，一种对象分类装置，所述装置包括：获取模块，用于获取至少一个对象的对象信息，所述对象信息中包括至少一种产品类目；划分模块，用于将每种所述产品类目关联的对象分别进行分类处理，得到每个对象在每种关联产品类目下的同类对象，所述关联产品类目为每个对象关联的产品类目；生成模块，用于以每个所述对象为目标对象，基于所述目标对象在每种关联产品类目下的同类对象的对象信息，分别生成每种关联产品类目下的增强特征数据；计算模块，用于将每种关联产品类目下的增强特征数据与同类对象权重进行计算处理，得到所述目标对象的对象特征数据，所述同类对象权重为所述同类对象在对应的关联产品类目下的权重；输出模块，用于根据所述目标对象的对象特征数据，得到所述目标对象的第一分类结果。

5、在本技术的一些实施例中，所述同类对象权重为对象注意力权重；所述计算模块，包括：转换单元，用于将每种关联产品类目下的增强特征数据分别进行线性转换处理，得到每种关联产品类目下的变换后特征数据；对象注意力权重运算单元，用于将每种关联产品类目下的变换后特征数据与预设对象注意力参数分别进行注意力运算处理，得到每种关联产品类目下的邻居对象的对象注意力权重；计算单元，用于将每种关联产品类目下的变换后特征数据与对象注意力权重分别进行计算处理，得到每种关联产品类目下的第一特征数据；生成单元，用于基于所述第一特征数据生成所述目标对象的对象特征数据。

6、在本技术的一些实施例中，所述生成单元，包括：类目权重计算子单元，用于将每种关联产品类目下的第一特征数据与每种关联产品类目对应的类目权重分别进行计算处理，得到每种关联产品类目下的第二特征数据；特征数据生成子单元，用于基于每种关联产品类目下的第二特征数据，生成所述目标对象的对象特征数据。

7、在本技术的一些实施例中，所述对象信息包括对象行为信息，所述类目权重为类目注意力权重；所述类目权重计算子单元，用于：基于每种关联产品类目下的对象行为信息分别生成行为特征数据，得到所述目标对象的行为特征数据集；根据每种关联产品类目下的行为特征数据，确定所述目标对象对应的关联产品类目中的非核心类目；将所述行为特征数据集中所述非核心类目对应的行为特征数据隐藏处理，得到重置后行为特征数据集；基于所述重置后行为特征数据集、预设类目注意力参数及所述第一特征数据进行注意力计算处理，得到每种关联产品类目的类目注意力权重；将每种关联产品类目下的第一特征数据与类目注意力权重分别进行计算处理，得到每种关联产品类目下的第二特征数据。

8、在本技术的一些实施例中，所述类目权重计算子单元，用于：从所述至少一个对象中确定所述每种所述关联产品类目对应的对象，得到每种所述关联产品类目对应的对象集；针对每种所述关联产品类目对应的对象集，将所述对象集中对象按照各对象的行为特征数据进行比较排序，得到各所述对象集中每个对象的相对排名；根据各所述对象集中每个对象的相对排名，确定所述目标对象在各所述对象集中的相对排名；根据所述目标对象在各所述对象集中的相对排名，确定各所述对象集对应的关联产品类目中的所述非核心类目。

9、在本技术的一些实施例中，所述特征数据生成子单元，用于：将每种关联产品类目下的第二特征数据相加，得到叠加后第二特征数据；将所述叠加后第二特征数据作为所述目标对象的对象特征数据。

10、在本技术的一些实施例中，所述第一分类结果为采用第一分类模型得到的，所述装置还包括辅助分类模块，用于：基于所述目标对象的对象信息生成目标特征数据；采用第二分类模型对所述目标特征数据进行分类处理，得到所述目标对象对应的第二分类结果，所述第二分类模型为与所述第一分类模型通过互学习所训练得到的；根据所述第一分类结果和所述第二分类结果中至少一种，确定所述目标对象的对象类别。

11、在本技术的一些实施例中，所述装置还包括第一分类模型训练模块，用于：采用预设第一分类模型对训练对象样本进行分类处理，得到所述训练对象样本对应的第一预测分类结果，所述训练对象样本标定有预定分类结果；采用预设第二分类模型对训练对象样本进行分类处理，得到所述训练对象样本对应的第二预测分类结果；根据所述预定分类结果及所述第一预测分类结果，分析所述预设第一分类模型的第一分类损失；根据所述第一预测分类结果及所述第二预测分类结果，分析所述预设第一分类模型与所述预设第二分类模型的第一匹配损失；根据所述第一分类损失及所述第一匹配损失计算所述预设第一分类模型的第一总分类损失；根据所述第一总分类损失对所述预设第一分类模型进行调整处理，直至满足预定训练条件，得到训练后的所述第一分类模型。

12、在本技术的一些实施例中，所述装置还包括第二分类模型训练模块，用于：根据所述预定分类结果及所述第二预测分类结果，分析所述预设第二分类模型的第二分类损失；根据所述第二预测分类结果及所述第一预测分类结果，分析所述预设第二分类模型与所述预设第一分类模型的第二匹配损失；根据所述第二分类损失及所述第二匹配损失计算所述预设第二分类模型的第二总分类损失；根据所述第二总分类损失对所述预设第二分类模型进行调整处理，直至满足预定训练条件，得到训练后的所述第二分类模型。

13、在本技术的一些实施例中，所述第一分类结果为第一违约概率，所述第二分类结果为第二违约概率；所述辅助分类模块，用于：根据所述第一违约概率及所述第二违约概率中至少一种，确定所述目标对象的违约类别。

14、在本技术的一些实施例中，所述划分模块，用于：从所述至少一个对象中确定每种所述产品类目对应的对象，得到每种产品类目对应的子对象集；针对每种产品类目对应的子对象集，将所述子对象集中对象进行分类处理，得到每种产品类目下的至少一个同类对象簇；将每个对象所在的每个同类对象簇中除对象自身之外的其他对象，确定为每个对象在每个关联产品类目下的同类对象，所述关联产品类目为同类对象簇对应的产品类目。

15、在本技术的一些实施例中，每种关联产品类目下包括至少一个所述同类对象；所述生成模块，用于：基于每个同类对象的对象信息，生成每个同类对象的同类对象特征数据；将每种关联产品类目下的至少一个同类对象的同类对象特征数据分别进行组合处理，得到每种关联产品类目下的增强特征数据。

16、在本技术的一些实施例中，所述输出模块，用于：对所述目标对象的对象特征数据进行全连接运算处理，得到所述全连接运算结果；将所述全连接运算结果进行分类处理，得到所述目标对象的第一分类结果。

17、根据本技术的另一实施例，一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被计算机的处理器执行时，使计算机执行本技术实施例所述的方法。

18、根据本技术的另一实施例，一种电子设备，包括：存储器，存储有计算机程序；处理器，读取存储器存储的计算机程序，以执行本技术实施例所述的方法。

19、根据本技术的另一实施例，一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行本技术实施例所述的各种可选实现方式中提供的方法。

20、本技术实施例中，获取至少一个对象的对象信息，所述对象信息中包括至少一种产品类目；将每种所述产品类目关联的对象分别进行分类处理，得到每个对象在每种关联产品类目下的同类对象，所述关联产品类目为每个对象关联的产品类目；以每个所述对象为目标对象，基于所述目标对象在每种关联产品类目下的同类对象的对象信息，分别生成每种关联产品类目下的增强特征数据；将每种关联产品类目下的增强特征数据与同类对象权重进行计算处理，得到所述目标对象的对象特征数据，所述同类对象权重为所述同类对象在对应的关联产品类目下的权重；根据所述目标对象的对象特征数据，得到所述目标对象的第一分类结果。

21、以这种方式，确定每个对象在每种关联关联产品类目下的同类对象，基于同类对象的对象信息分别生成每种关联产品类目下的增强特征数据，增强特征数据可以反映对象在不同产品类目下的关联关系，增强特征数据包含丰富有效表征信息，进一步的，通过同类对象在关联产品类目下的同类对象权重与增强特征数据计算得到对象特征数据，使得对象特征数据包含丰富准确的表征信息，基于对象特征数据可以得到准确的第一分类结果，进而，有效提升对象分类准确性。