技术特征：
1.一种预测模型搭建方法，包括：利用训练好的特征提取模型，针对每一个训练样本执行特征提取，获得每一个训练样本的样本特征；根据多个不同的特征粒度，分别针对所有样本特征执行聚类分析，获得每一个特征粒度的特征聚类结果；根据每一个特征粒度的训练标签组、每一个特征粒度的特征聚类结果，训练每一个特征粒度的分类器，获得每一个特征粒度的训练好的分类器；根据预测需求，利用训练好的各分类器中的至少一个，搭建满足所述预测需求的预测模型。2.根据权利要求1所述的方法，其中，所述根据多个不同的特征粒度，分别针对所有样本特征执行聚类分析，获得每一个特征粒度的特征聚类结果，包括：利用预设聚类算法，根据每一个特征粒度，分别针对所有样本特征执行聚类分析，获得每一个特征粒度的特征聚类结果；其中，每一个特征粒度的特征聚类结果包括有至少两个聚类特征集。3.根据权利要求2所述的方法，其中，所述预设聚类算法至少包括：基于距离的聚类方法、基于层次的聚类算法、基于密度的聚类算法中的一个。4.根据权利要求2所述的方法，其中，所述根据每一个特征粒度的训练标签组、每一个特征粒度的特征聚类结果，训练每一个特征粒度的分类器，获得每一个特征粒度的训练好的分类器，包括：针对各特征粒度中的任意一个当前粒度，根据所述当前粒度的当前特征聚类结果，生成所述当前粒度的训练标签组，其中，所述训练标签组包含有多个训练标签，各训练标签与所述当前特征聚类结果中的各聚类特征集一一对应；训练步骤，根据所述当前特征聚类结果中的每一个聚类特征集、每一个聚类特征集的训练标签，训练所述当前粒度的分类器，获得所述当前粒度的训练好的分类器。5.根据权利要求4所述的方法，其中，所述分类器至少包括：贝叶斯分类器、知识向量机分类器中的一个。6.根据权利要求4所述的方法，其中，所述训练步骤还包括：利用深度学习方法，根据所述当前特征聚类结果中的每一个聚类特征集、每一个聚类特征集的训练标签，训练所述当前粒度的分类器。7.根据权利要求1或4所述的方法，其中，所述根据预测需求，利用训练好的各分类器中的至少一个，搭建满足所述预测需求的预测模型，包括：根据所述预测需求，从各特征粒度中确定满足所述预测需求的至少一个目标粒度；利用每一个目标粒度的训练好的分类器，搭建满足所述预测需求的预测模型。8.一种预测模型搭建装置，包括：特征提取模块，用于利用训练好的特征提取模型针对每一个训练样本执行特征提取，获得每一个训练样本的样本特征；聚类模块，用于根据多个不同的特征粒度，分别针对所有样本特征执行聚类分析，获得每一个特征粒度的特征聚类结果；
训练模块，用于根据每一个特征粒度的训练标签组、每一个特征粒度的特征聚类结果，训练每一个特征粒度的分类器，获得每一个特征粒度的训练好的分类器；模型搭建模块，用于根据预测需求，利用训练好的各分类器中的至少一个，搭建满足所述预测需求的预测模型。9.根据权利要求8所述的装置，其中，所述训练模块包括：针对各特征粒度中的任意一个当前粒度，根据所述当前粒度的当前特征聚类结果，生成所述当前粒度的训练标签组，并利用所述当前粒度的当前特征聚类结果、所述当前粒度的训练标签组，训练所述当前粒度的分类器，获得所述当前粒度的训练好的分类器；其中，所述训练标签组包含有多个训练标签，各训练标签与所述当前特征聚类结果中的各聚类特征集一一对应。10.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有用于执行上述权利要求1至7中任一项所述的方法中各步骤的各指令。
技术总结
本申请提供一种预测模型搭建方法、装置、计算机存储介质，包括：利用训练好的特征提取模型针对每一个训练样本执行特征提取，获得每一个训练样本的样本特征；根据多个不同的特征粒度，分别针对所有样本特征执行聚类分析，获得每一个特征粒度的特征聚类结果；根据每一个特征粒度的训练标签组、每一个特征粒度的特征聚类结果，训练每一个特征粒度的分类器，获得每一个特征粒度的训练好的分类器；根据预测需求，利用训练好的各分类器中的至少一个，搭建满足预测需求的预测模型。借此，本申请提供了一种多粒度表征无监督的模型搭建方案，可降低模型搭建成本并提高模型预测精度。模型搭建成本并提高模型预测精度。模型搭建成本并提高模型预测精度。
技术研发人员：朱蕾
受保护的技术使用者：北京云从科技有限公司
技术研发日：2022.08.17
技术公布日：2022/12/8