对象特征值识别模型训练方法、对象识别方法、装置与流程

本公开的实施例涉及计算机领域，具体涉及对象特征值识别模型训练方法、对象识别方法、装置。

背景技术：

1、目标流转业务通常是指网络购物平台推出的用于加快物品流转的业务。例如，目标流转业务可以是指营销活动业务。目前，对目标流转业务对应的增量预测(营销活动带来的物品/营业额的增量)，通常采用的方式为：采用单特征来对深度模型进行训练，再利用训练好的深度模型对目标流转业务进行预测。

2、然而，采用上述方式通常会存在以下技术问题：采用单特征对深度模型进行训练，未考虑其它特征的影响，导致所训练的模型预测的结果存在偏差，模型的鲁棒性较低。

3、该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

2、本公开的一些实施例提出了对象特征值识别模型训练方法、对象识别方法、装置、电子设备、计算机可读介质和程序产品，来解决以上背景技术部分提到的技术问题中的一项或多项。

3、第一方面，本公开的一些实施例提供了一种对象特征值识别模型训练方法，该方法包括：获取对应目标流转业务的每个对象的初始对象特征，得到初始对象特征集，其中，上述初始对象特征集中的初始对象特征包括：对象画像特征、价值流转特征与兴趣物品特征；根据上述初始对象特征集，构建第一对象特征样本组和第二对象特征样本组，其中，上述第一对象特征样本组中的第一对象特征样本包括第一对象特征，上述第二对象特征样本组中的第二对象特征样本包括第二对象特征；基于设定的模型输出类型，确定初始对象特征值识别模型；基于上述第一对象特征样本组和上述第二对象特征样本组，对上述初始对象特征值识别模型进行训练，得到训练后的对象特征值识别模型。

4、可选地，上述根据上述初始对象特征集，构建第一对象特征样本组和第二对象特征样本组，包括：将上述初始对象特征集划分为第一初始对象特征组和第二初始对象特征组；根据上述第一初始对象特征组，构建第一对象特征样本组；根据上述第二初始对象特征组，构建第二对象特征样本组。

5、可选地，上述根据上述第一初始对象特征组，构建第一对象特征样本组，包括：从上述第一初始对象特征组中选择出第一数量个第一初始对象特征作为第一对象特征组；对于上述第一对象特征组中的每个第一对象特征，将上述第一对象特征与设定的对应上述第一对象特征的第一对象特征值标签组合为第一对象特征样本。

6、可选地，上述根据上述第二初始对象特征组，构建第二对象特征样本组，包括：从上述第二初始对象特征组中选择出第二数量个第二初始对象特征作为第二对象特征组，其中，上述第二数量大于上述第一数量；对于上述第二对象特征组中的每个第二对象特征，将上述第二对象特征与设定的对应上述第二对象特征的第二对象特征值标签组合为第二对象特征样本。

7、第二方面，本公开的一些实施例提供了一种对象识别方法，该方法包括：获取第一对象特征样本组和第二对象特征样本组，其中，上述第一对象特征样本组中的第一对象特征样本包括第一对象特征，上述第二对象特征样本组中的第二对象特征样本包括第二对象特征；将上述第一对象特征样本组输入至预先训练好的对象特征值识别模型中，得到第一对象识别特征值组，其中，上述第一对象特征样本组中的第一对象特征样本对应上述第一对象识别特征值组中的第一对象识别特征值，上述对象特征值识别模型是通过如上述第一方面中任一实现方式描述的方法生成的；将上述第二对象特征样本组输入至上述对象特征值识别模型中，得到第二对象识别特征值组，其中，上述第二对象特征样本组中的第二对象特征样本对应上述第二对象识别特征值组中的第二对象识别特征值；根据上述第一对象识别特征值组和上述第二对象识别特征值组，确定上述第二对象特征样本组对应的目标对象组。

8、可选地，上述根据上述第一对象识别特征值组和上述第二对象识别特征值组，确定上述第二对象特征样本组对应的目标对象组，包括：对于上述第一对象识别特征值组中的每个第一对象识别特征值，执行如下处理步骤：从上述第二对象识别特征值组中选择对应上述第一对象识别特征值的至少一个第二对象识别特征值作为备选第二对象识别特征值组；将上述备选第二对象识别特征值组对应的各个对象确定为备选对象组；将所确定的各个备选对象组合并为备选对象集；对上述备选对象集进行去重处理，以生成去重备选对象集作为第一备选对象集；根据上述第一备选对象集和上述第一对象识别特征值组，确定目标对象组。

9、可选地，上述根据上述第一备选对象集和上述第一对象识别特征值组，确定目标对象组，包括：根据上述第一备选对象集对应的各个第二对象识别特征值，确定第二对象识别特征值方差和第二对象识别特征值均值；确定上述第一对象识别特征值组对应的第一对象识别特征值方差和第一对象识别特征值均值；根据上述第一备选对象集对应的各个第二对象特征值标签，确定第二对象特征值方差和第二对象特征值均值；确定上述第一对象特征样本组对应的第一对象特征值方差和第一对象特征值均值；根据上述第一对象识别特征值方差、上述第一对象识别特征值均值、上述第二对象识别特征值方差和上述第二对象识别特征值均值，生成对象识别特征标准平方差；根据上述第一对象特征值方差、上述第一对象特征值均值、上述第二对象特征值方差和上述第二对象特征值均值，生成对象特征标准平方差；响应于确定上述对象识别特征标准平方差小于等于上述对象特征标准平方差，将上述第一备选对象集确定为目标对象组。

10、可选地，上述方法还包括：将上述第一对象特征样本组对应的各个对象确定为第一对象组；对于预设时间段组中的每个预设时间段，执行如下处理步骤：获取上述第一对象组中每个第一对象在上述预设时间段内的目标业务值作为第一业务值，得到第一业务值组；获取上述目标对象组中每个目标对象在上述预设时间段内的目标业务值作为第二业务值，得到第二业务值组；将上述第一业务值组包括的各个第一业务值的总和确定为第一业务总值；将上述第二业务值组包括的各个第二业务值的总和确定为第二业务总值；将上述第一业务总值与上述第二业务总值的差值确定为业务增涨值；将所确定的各个业务增涨值的平均值确定为目标业务增涨值；根据上述目标业务增涨值，对目标流转业务进行业务调整。

11、第三方面，本公开的一些实施例提供了一种对象特征值识别模型训练装置，装置包括：获取单元，被配置成获取对应目标流转业务的每个对象的初始对象特征，得到初始对象特征集，其中，上述初始对象特征集中的初始对象特征包括：对象画像特征、价值流转特征与兴趣物品特征；构建单元，被配置成根据上述初始对象特征集，构建第一对象特征样本组和第二对象特征样本组，其中，上述第一对象特征样本组中的第一对象特征样本包括第一对象特征，上述第二对象特征样本组中的第二对象特征样本包括第二对象特征；确定单元，被配置成基于设定的模型输出类型，确定初始对象特征值识别模型；训练单元，被配置成基于上述第一对象特征样本组和上述第二对象特征样本组，对上述初始对象特征值识别模型进行训练，得到训练后的对象特征值识别模型。

12、可选地，构建单元，被进一步配置成：将上述初始对象特征集划分为第一初始对象特征组和第二初始对象特征组；根据上述第一初始对象特征组，构建第一对象特征样本组；根据上述第二初始对象特征组，构建第二对象特征样本组。

13、可选地，构建单元，被进一步配置成：从上述第一初始对象特征组中选择出第一数量个第一初始对象特征作为第一对象特征组；对于上述第一对象特征组中的每个第一对象特征，将上述第一对象特征与设定的对应上述第一对象特征的第一对象特征值标签组合为第一对象特征样本。

14、可选地，构建单元，被进一步配置成：从上述第二初始对象特征组中选择出第二数量个第二初始对象特征作为第二对象特征组，其中，上述第二数量大于上述第一数量；对于上述第二对象特征组中的每个第二对象特征，将上述第二对象特征与设定的对应上述第二对象特征的第二对象特征值标签组合为第二对象特征样本。

15、第四方面，本公开的一些实施例提供了一种对象识别装置，装置包括：获取单元，被配置成获取第一对象特征样本组和第二对象特征样本组，其中，上述第一对象特征样本组中的第一对象特征样本包括第一对象特征，上述第二对象特征样本组中的第二对象特征样本包括第二对象特征；第一输入单元，被配置成将上述第一对象特征样本组输入至预先训练好的对象特征值识别模型中，得到第一对象识别特征值组，其中，上述第一对象特征样本组中的第一对象特征样本对应上述第一对象识别特征值组中的第一对象识别特征值，上述对象特征值识别模型是通过如上述第一方面中任一实现方式描述的方法生成的；第二输入单元，被配置成将上述第二对象特征样本组输入至上述对象特征值识别模型中，得到第二对象识别特征值组，其中，上述第二对象特征样本组中的第二对象特征样本对应上述第二对象识别特征值组中的第二对象识别特征值；确定单元，被配置成根据上述第一对象识别特征值组和上述第二对象识别特征值组，确定上述第二对象特征样本组对应的目标对象组。

16、可选地，确定单元，被进一步配置成：对于上述第一对象识别特征值组中的每个第一对象识别特征值，执行如下处理步骤：从上述第二对象识别特征值组中选择对应上述第一对象识别特征值的至少一个第二对象识别特征值作为备选第二对象识别特征值组；将上述备选第二对象识别特征值组对应的各个对象确定为备选对象组；将所确定的各个备选对象组合并为备选对象集；对上述备选对象集进行去重处理，以生成去重备选对象集作为第一备选对象集；根据上述第一备选对象集和上述第一对象识别特征值组，确定目标对象组。

17、可选地，确定单元，被进一步配置成：根据上述第一备选对象集对应的各个第二对象识别特征值，确定第二对象识别特征值方差和第二对象识别特征值均值；确定上述第一对象识别特征值组对应的第一对象识别特征值方差和第一对象识别特征值均值；根据上述第一备选对象集对应的各个第二对象特征值标签，确定第二对象特征值方差和第二对象特征值均值；确定上述第一对象特征样本组对应的第一对象特征值方差和第一对象特征值均值；根据上述第一对象识别特征值方差、上述第一对象识别特征值均值、上述第二对象识别特征值方差和上述第二对象识别特征值均值，生成对象识别特征标准平方差；根据上述第一对象特征值方差、上述第一对象特征值均值、上述第二对象特征值方差和上述第二对象特征值均值，生成对象特征标准平方差；响应于确定上述对象识别特征标准平方差小于等于上述对象特征标准平方差，将上述第一备选对象集确定为目标对象组。

18、可选地，对象识别装置，还包括：对象确定单元，被配置成将上述第一对象特征样本组对应的各个对象确定为第一对象组；业务值处理单元，被配置成对于预设时间段组中的每个预设时间段，执行如下处理步骤：获取上述第一对象组中每个第一对象在上述预设时间段内的目标业务值作为第一业务值，得到第一业务值组；获取上述目标对象组中每个目标对象在上述预设时间段内的目标业务值作为第二业务值，得到第二业务值组；将上述第一业务值组包括的各个第一业务值的总和确定为第一业务总值；将上述第二业务值组包括的各个第二业务值的总和确定为第二业务总值；将上述第一业务总值与上述第二业务总值的差值确定为业务增涨值；增涨值确定单元，被配置成将所确定的各个业务增涨值的平均值确定为目标业务增涨值；业务调整单元，被配置成根据上述目标业务增涨值，对目标流转业务进行业务调整。

19、第五方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面或第二方面任一实现方式所描述的方法。

20、第六方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面或第二方面任一实现方式所描述的方法。

21、第七方面，本公开的一些实施例提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述第一方面或第二方面任一实现方式所描述的方法。

22、本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的对象特征值识别模型训练方法，降低了模型预测的结果的偏差，提升了模型的鲁棒性。具体来说，模型的鲁棒性较低的原因在于：采用单特征对深度模型进行训练，未考虑其它特征的影响，导致所训练的模型预测的结果存在偏差，模型的鲁棒性较低。基于此，本公开的一些实施例的物品图像生成方法，首先，获取对应目标流转业务的每个对象的初始对象特征，得到初始对象特征集。其中，上述初始对象特征集中的初始对象特征包括：对象画像特征、价值流转特征与兴趣物品特征。由此，通过多个特征训练的模型，降低了模型预测的结果的偏差。接着，根据上述初始对象特征集，构建第一对象特征样本组和第二对象特征样本组。由此，通过两组不同的样本，对模型进行训练，提高了模型预测的结果的可靠性。然后，基于设定的模型输出类型，确定初始对象特征值识别模型。由此，可以使得所训练的模型更贴合业务需求，提升模型识别的准确率。最后，基于上述第一对象特征样本组和上述第二对象特征样本组，对上述初始对象特征值识别模型进行训练，得到训练后的对象特征值识别模型。由此，提升了所训练的模型对结果预测的准确率，降低了模型预测的结果的偏差，提升了模型的鲁棒性。