一種確定業(yè)務(wù)參數(shù)的方法及裝置制造方法及圖紙

本發(fā)明專利技術(shù)公開了一種確定業(yè)務(wù)參數(shù)的方法，包括：獲取待確定業(yè)務(wù)參數(shù)的用戶的應(yīng)用頭像；采用具有圖像分類功能的卷積神經(jīng)網(wǎng)絡(luò)CNN模型對(duì)應(yīng)用頭像進(jìn)行歸類處理，得到應(yīng)用頭像的多個(gè)類別標(biāo)簽，確定所述多個(gè)類別標(biāo)簽中每個(gè)類別標(biāo)簽對(duì)應(yīng)的數(shù)值，得到所述應(yīng)用頭像的頭像數(shù)值，所述頭像數(shù)值用于參與確定所述業(yè)務(wù)參數(shù)。本發(fā)明專利技術(shù)實(shí)施例提供的確定業(yè)務(wù)參數(shù)的方法，可以根據(jù)用戶的應(yīng)用頭像進(jìn)行業(yè)務(wù)參數(shù)的確定，從而提高了業(yè)務(wù)參數(shù)確定的廣泛度和業(yè)務(wù)推廣的廣泛度。

Method and device for determining service parameter

The invention discloses a method for determining the parameters of the business, including obtaining the uncertain parameters of the user's head of business application; with image classification function convolution neural network CNN model to classify the application head, a plurality of category labels applied to avatar, values of each category label determines the plurality of category labels the values obtained by the application of the picture picture, the picture for the numerical determination of the parameters involved in the business. The embodiment of the invention provides a method for determining service parameters, which can determine the service parameters according to the application head of the user, thereby improving the universality of the service parameter determination and the generalization degree of the service promotion.

【技術(shù)實(shí)現(xiàn)步驟摘要】
一種確定業(yè)務(wù)參數(shù)的方法及裝置
本專利技術(shù)涉及互聯(lián)網(wǎng)
，具體涉及一種確定業(yè)務(wù)參數(shù)的方法、建立圖像分類模型的方法及裝置。
技術(shù)介紹
當(dāng)前很多業(yè)務(wù)與業(yè)務(wù)參數(shù)都是直接相關(guān)的，業(yè)務(wù)參數(shù)直接影響到業(yè)務(wù)申請(qǐng)是否能夠成功。業(yè)務(wù)提供方在為用戶分配業(yè)務(wù)時(shí)會(huì)根據(jù)已有的業(yè)務(wù)參數(shù)來(lái)評(píng)估是否為該用戶分配業(yè)務(wù)。但目前，在業(yè)務(wù)提供方有業(yè)務(wù)參數(shù)記錄的人只占總?cè)丝诘囊恍〔糠郑^大多數(shù)人沒(méi)有業(yè)務(wù)參數(shù)記錄，業(yè)務(wù)提供方無(wú)法對(duì)無(wú)業(yè)務(wù)參數(shù)記錄的用戶做出判斷，導(dǎo)致業(yè)務(wù)提供方所提供的業(yè)務(wù)很難被廣泛推廣。
技術(shù)實(shí)現(xiàn)思路
為了解決現(xiàn)有技術(shù)中無(wú)法得到絕大多數(shù)人的業(yè)務(wù)參數(shù)的問(wèn)題，本專利技術(shù)實(shí)施例提供一種確定業(yè)務(wù)參數(shù)的方法，可以根據(jù)用戶的應(yīng)用頭像進(jìn)行業(yè)務(wù)參數(shù)的確定，從而提高了業(yè)務(wù)參數(shù)確定的廣泛度和業(yè)務(wù)推廣的廣泛度。本專利技術(shù)實(shí)施例還提供了相應(yīng)的裝置。本專利技術(shù)第一方面提供一種確定業(yè)務(wù)參數(shù)的方法，包括：獲取待確定業(yè)務(wù)參數(shù)的用戶的應(yīng)用頭像；采用具有圖像分類功能的卷積神經(jīng)網(wǎng)絡(luò)CNN模型對(duì)所述應(yīng)用頭像進(jìn)行歸類處理，得到所述應(yīng)用頭像的多個(gè)類別標(biāo)簽；確定所述多個(gè)類別標(biāo)簽中每個(gè)類別標(biāo)簽對(duì)應(yīng)的數(shù)值，得到所述應(yīng)用頭像的頭像數(shù)值，所述頭像數(shù)值用于參與確定所述業(yè)務(wù)參數(shù)；其中，所述具有圖像分類功能的CNN模型是采用受限玻爾茲曼機(jī)RBM和總圖像樣本對(duì)初始的CNN模型進(jìn)行基于無(wú)監(jiān)督學(xué)習(xí)的逐層訓(xùn)練，再在所述總圖像樣本中的少量圖像樣本被貼上類別標(biāo)簽后，使用被貼上類別標(biāo)簽的少量圖像樣本進(jìn)行微調(diào)得到的，所述總圖像樣本為大量用戶的應(yīng)用頭像。本專利技術(shù)第二方面提供一種建立圖像分類模型的方法，包括：獲取總圖像樣本和初始的卷積神經(jīng)網(wǎng)絡(luò)CNN模型，所述總圖像樣本為大量用戶的應(yīng)用頭像；采用受限玻爾茲曼機(jī)RBM和所述總圖像樣本對(duì)所述初始的CNN模型進(jìn)行基于無(wú)監(jiān)督學(xué)習(xí)的逐層訓(xùn)練，得到用于圖像分類的初始特征權(quán)值；用第一部分圖像樣本對(duì)所述初始特征權(quán)值進(jìn)行微調(diào)，得到具有圖像分類功能的CNN模型；其中，所述第一部分圖像樣本為所述總圖像樣本中的一小部分，所述第一部分圖像樣本在從所述總圖像樣本中抽取后被貼上類別標(biāo)簽。本專利技術(shù)第三方面提供一種確定業(yè)務(wù)參數(shù)的裝置，包括：獲取單元，用于獲取待確定業(yè)務(wù)參數(shù)的用戶的應(yīng)用頭像；歸類單元，用于采用具有圖像分類功能的卷積神經(jīng)網(wǎng)絡(luò)CNN模型對(duì)所述獲取單元獲取的所述應(yīng)用頭像進(jìn)行歸類處理，得到所述應(yīng)用頭像的多個(gè)類別標(biāo)簽；確定單元，用于確定所述歸類單元?dú)w類后得到的所述多個(gè)類別標(biāo)簽中每個(gè)類別標(biāo)簽對(duì)應(yīng)的數(shù)值，得到所述應(yīng)用頭像的頭像數(shù)值，所述頭像數(shù)值用于參與確定所述業(yè)務(wù)參數(shù)；其中，所述具有圖像分類功能的CNN模型是采用受限玻爾茲曼機(jī)RBM和總圖像樣本對(duì)初始的CNN模型進(jìn)行基于無(wú)監(jiān)督學(xué)習(xí)的逐層訓(xùn)練，再在所述總圖像樣本中的少量圖像樣本被貼上類別標(biāo)簽后，使用被貼上類別標(biāo)簽的少量圖像樣本進(jìn)行微調(diào)得到的，所述總圖像樣本為大量用戶的應(yīng)用頭像。本專利技術(shù)第四方面提供一種建立圖像分類模型的裝置，包括：獲取單元，用于獲取總圖像樣本和初始的卷積神經(jīng)網(wǎng)絡(luò)CNN模型，所述總圖像樣本為大量用戶的應(yīng)用頭像；計(jì)算單元，用于采用受限玻爾茲曼機(jī)RBM和所述獲取單元獲取的總圖像樣本對(duì)所述初始的CNN模型進(jìn)行基于無(wú)監(jiān)督學(xué)習(xí)的逐層訓(xùn)練，得到用于圖像分類的初始特征權(quán)值；調(diào)整單元，用于用第一部分圖像樣本對(duì)所述計(jì)算單元得到的初始特征權(quán)值進(jìn)行微調(diào)，得到具有圖像分類功能的CNN模型；其中，所述第一部分圖像樣本為所述總圖像樣本中的一小部分，所述第一部分圖像樣本在從所述總圖像樣本中抽取后被貼上類別標(biāo)簽。本專利技術(shù)實(shí)施例采用獲取待確定業(yè)務(wù)參數(shù)的用戶的應(yīng)用頭像；采用具有圖像分類功能的卷積神經(jīng)網(wǎng)絡(luò)CNN模型對(duì)所述應(yīng)用頭像進(jìn)行歸類處理，得到所述應(yīng)用頭像的多個(gè)類別標(biāo)簽；確定所述多個(gè)類別標(biāo)簽中每個(gè)類別標(biāo)簽對(duì)應(yīng)的數(shù)值，得到所述應(yīng)用頭像的頭像數(shù)值，所述頭像數(shù)值用于參與確定所述業(yè)務(wù)參數(shù)；其中，所述具有圖像分類功能的CNN模型是采用受限玻爾茲曼機(jī)RBM和總圖像樣本對(duì)初始的CNN模型進(jìn)行基于無(wú)監(jiān)督學(xué)習(xí)的逐層訓(xùn)練，再在所述總圖像樣本中的少量圖像樣本被貼上類別標(biāo)簽后，使用被貼上類別標(biāo)簽的少量圖像樣本進(jìn)行微調(diào)得到的，所述總圖像樣本為大量用戶的應(yīng)用頭像。與現(xiàn)有技術(shù)中無(wú)法得到絕大多數(shù)人的業(yè)務(wù)參數(shù)相比，本專利技術(shù)實(shí)施例提供的確定業(yè)務(wù)參數(shù)的方法，可以根據(jù)用戶的應(yīng)用頭像進(jìn)行業(yè)務(wù)參數(shù)的確定，從而提高了業(yè)務(wù)參數(shù)確定的廣泛度和業(yè)務(wù)推廣的廣泛度。例如：現(xiàn)有技術(shù)中無(wú)法評(píng)估絕大多數(shù)人的可信度，而本申請(qǐng)所提供的方案可以用戶的應(yīng)用頭像進(jìn)行可信度的評(píng)估，得到用戶的信用評(píng)分，從而提高了用戶信用評(píng)分的廣泛度。附圖說(shuō)明為了更清楚地說(shuō)明本專利技術(shù)實(shí)施例中的技術(shù)方案，下面將對(duì)實(shí)施例描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本專利技術(shù)的一些實(shí)施例，對(duì)于本領(lǐng)域技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1是本專利技術(shù)實(shí)施例中建立圖像分類模型的方法的一實(shí)施例示意圖；圖2是本專利技術(shù)實(shí)施例中CNN模型的結(jié)構(gòu)示意圖；圖3是本專利技術(shù)實(shí)施例中建立圖像分類模型的方法的另一實(shí)施例示意圖；圖4是本專利技術(shù)實(shí)施例中確定業(yè)務(wù)參數(shù)的方法的一實(shí)施例示意圖；圖5是本專利技術(shù)實(shí)施例中確定業(yè)務(wù)參數(shù)的裝置的一實(shí)施例示意圖；圖6是本專利技術(shù)實(shí)施例中確定業(yè)務(wù)參數(shù)的裝置的另一實(shí)施例示意圖；圖7是本專利技術(shù)實(shí)施例中建立圖像分類模型的方法的一實(shí)施例示意圖；圖8是本專利技術(shù)實(shí)施例中建立圖像分類模型的方法的另一實(shí)施例示意圖；圖9是本專利技術(shù)實(shí)施例中確定業(yè)務(wù)參數(shù)的裝置的另一實(shí)施例示意圖；圖10是本專利技術(shù)實(shí)施例中建立圖像分類模型的方法的另一實(shí)施例示意圖。實(shí)施方式本專利技術(shù)實(shí)施例提供一種確定業(yè)務(wù)參數(shù)的方法，可以根據(jù)用戶的應(yīng)用頭像進(jìn)行可信度評(píng)估，從而提高了用戶可信度評(píng)估的廣泛度。以下分別進(jìn)行詳細(xì)說(shuō)明。下面將結(jié)合本專利技術(shù)實(shí)施例中的附圖，對(duì)本專利技術(shù)實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本專利技術(shù)一部分實(shí)施例，而不是全部的實(shí)施例。基于本專利技術(shù)中的實(shí)施例，本領(lǐng)域技術(shù)人員在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本專利技術(shù)保護(hù)的范圍。在描述本專利技術(shù)實(shí)施例之前，先對(duì)本專利技術(shù)實(shí)施例中涉及到的名詞做初步的介紹：卷積神經(jīng)網(wǎng)絡(luò)(convolutionalneuralnetworks，CNN)模型：一種深度學(xué)習(xí)模型，通過(guò)卷積運(yùn)算來(lái)提取特征，卷積核通過(guò)機(jī)器自動(dòng)學(xué)習(xí)得到。受限玻爾茲曼機(jī)(restrictedBoltzmannmachine，RBM)一種神經(jīng)網(wǎng)絡(luò)模型，通過(guò)最小化能量函數(shù)來(lái)訓(xùn)練參數(shù)，可預(yù)訓(xùn)練深度學(xué)習(xí)模型。單標(biāo)簽分類：一種分類方法，為每個(gè)樣本計(jì)算一個(gè)標(biāo)簽，其中這個(gè)標(biāo)簽屬于一個(gè)互斥的標(biāo)簽集合。多標(biāo)簽分類：一種分類方法，為每個(gè)樣本同時(shí)計(jì)算多個(gè)標(biāo)簽。無(wú)監(jiān)督學(xué)習(xí):一種訓(xùn)練方法，有訓(xùn)練樣本，但是沒(méi)有訓(xùn)練標(biāo)簽。有監(jiān)督學(xué)習(xí):一種訓(xùn)練方法，有訓(xùn)練樣本和訓(xùn)練標(biāo)簽。半監(jiān)督學(xué)習(xí)：一種訓(xùn)練方法，有訓(xùn)練樣本，但只有一部分有訓(xùn)練標(biāo)簽。隨著各種社交應(yīng)用的廣泛普及，在避免涉及用戶隱私的情況下，可以選擇用戶的應(yīng)用頭像來(lái)分析用戶的信用情況，例如：QQ頭像、微信頭像、支付寶頭像和微博頭像等，應(yīng)用頭像是大家都可見的，不涉及到用戶隱私，而且，用戶頭像是用戶根據(jù)自己的興趣愛好和主觀意愿自己設(shè)置的，這是一種主動(dòng)的行為，一定程度上反映了用戶的心理。需要說(shuō)明的是，本專利技術(shù)實(shí)施例的方案不限于社交應(yīng)用，所有可以公開的用戶應(yīng)用頭像本文檔來(lái)自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種確定業(yè)務(wù)參數(shù)的方法，其特征在于，包括：獲取待確定業(yè)務(wù)參數(shù)的用戶的應(yīng)用頭像；采用具有圖像分類功能的卷積神經(jīng)網(wǎng)絡(luò)CNN模型對(duì)所述應(yīng)用頭像進(jìn)行歸類處理，得到所述應(yīng)用頭像的多個(gè)類別標(biāo)簽；確定所述多個(gè)類別標(biāo)簽中每個(gè)類別標(biāo)簽對(duì)應(yīng)的數(shù)值，得到所述應(yīng)用頭像的頭像數(shù)值，所述頭像數(shù)值用于參與確定所述業(yè)務(wù)參數(shù)；其中，所述具有圖像分類功能的CNN模型是采用受限玻爾茲曼機(jī)RBM和總圖像樣本對(duì)初始的CNN模型進(jìn)行基于無(wú)監(jiān)督學(xué)習(xí)的逐層訓(xùn)練，再在所述總圖像樣本中的少量圖像樣本被貼上類別標(biāo)簽后，使用被貼上類別標(biāo)簽的少量圖像樣本進(jìn)行微調(diào)得到的，所述總圖像樣本為大量用戶的應(yīng)用頭像。

【技術(shù)特征摘要】
1.一種確定業(yè)務(wù)參數(shù)的方法，其特征在于，包括：獲取待確定業(yè)務(wù)參數(shù)的用戶的應(yīng)用頭像；采用具有圖像分類功能的卷積神經(jīng)網(wǎng)絡(luò)CNN模型對(duì)所述應(yīng)用頭像進(jìn)行歸類處理，得到所述應(yīng)用頭像的多個(gè)類別標(biāo)簽；確定所述多個(gè)類別標(biāo)簽中每個(gè)類別標(biāo)簽對(duì)應(yīng)的數(shù)值，得到所述應(yīng)用頭像的頭像數(shù)值，所述頭像數(shù)值用于參與確定所述業(yè)務(wù)參數(shù)；其中，所述具有圖像分類功能的CNN模型是采用受限玻爾茲曼機(jī)RBM和總圖像樣本對(duì)初始的CNN模型進(jìn)行基于無(wú)監(jiān)督學(xué)習(xí)的逐層訓(xùn)練，再在所述總圖像樣本中的少量圖像樣本被貼上類別標(biāo)簽后，使用被貼上類別標(biāo)簽的少量圖像樣本進(jìn)行微調(diào)得到的，所述總圖像樣本為大量用戶的應(yīng)用頭像。2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述采用具有圖像分類功能的卷積神經(jīng)網(wǎng)絡(luò)CNN模型對(duì)所述應(yīng)用頭像進(jìn)行歸類處理，得到所述應(yīng)用頭像的多個(gè)類別標(biāo)簽，包括：采用具有圖像分類功能的卷積神經(jīng)網(wǎng)絡(luò)CNN模型計(jì)算得到所述應(yīng)用頭像的多個(gè)特征值；根據(jù)所述多個(gè)特征值，以及預(yù)先建立的特征權(quán)值與類別標(biāo)簽的對(duì)應(yīng)關(guān)系確定每個(gè)特征值對(duì)應(yīng)的類別標(biāo)簽，得到所述應(yīng)用頭像的多個(gè)類別標(biāo)簽。3.一種建立圖像分類模型的方法，其特征在于，包括：獲取總圖像樣本和初始的卷積神經(jīng)網(wǎng)絡(luò)CNN模型，所述總圖像樣本為大量用戶的應(yīng)用頭像；采用受限玻爾茲曼機(jī)RBM和所述總圖像樣本對(duì)所述初始的CNN模型進(jìn)行基于無(wú)監(jiān)督學(xué)習(xí)的逐層訓(xùn)練，得到用于圖像分類的初始特征權(quán)值；用第一部分圖像樣本對(duì)所述初始特征權(quán)值進(jìn)行微調(diào)，得到具有圖像分類功能的CNN模型；其中，所述第一部分圖像樣本為所述總圖像樣本中的一小部分，所述第一部分圖像樣本在從所述總圖像樣本中抽取后被貼上類別標(biāo)簽。4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述用第一部分圖像樣本對(duì)所述初始特征權(quán)值進(jìn)行微調(diào)，包括：對(duì)所述第一部分圖像樣本進(jìn)行有監(jiān)督學(xué)習(xí)的逐層訓(xùn)練，提取出所述第一部分圖像樣本中的特征權(quán)值和所述第一部分圖像樣本的類別標(biāo)簽；將所述初始特征權(quán)值與所述第一部分圖像樣本的類別標(biāo)簽建立關(guān)聯(lián)，得到具有圖像分類功能的CNN模型。5.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述用第一部分圖像樣本對(duì)所述初始特征權(quán)值進(jìn)行微調(diào)時(shí)，所述方法還包括：對(duì)第二部分圖像樣本進(jìn)行有監(jiān)督學(xué)習(xí)的逐層訓(xùn)練，提取出所述第二部分圖像樣本中的特征權(quán)值和所述第二部分圖像樣本的類別標(biāo)簽，所述第二部分圖像樣本的類別標(biāo)簽為所述初始的CNN模型中輸出層輸出的概率最高的類別標(biāo)簽，所述第二部分圖像樣本為所述總圖像樣本中除去所述第一部分圖像樣本的剩余圖像樣本；將所述初始特征權(quán)值與所述第二部分圖像樣本的類別標(biāo)簽建立關(guān)聯(lián)。6.根據(jù)權(quán)利要求3-5任一所述的方法，其特征在于，所述用第一部分圖像樣本對(duì)所述初始特征權(quán)值進(jìn)行微調(diào)之前，所述方法還包括：對(duì)所述第一部分圖像樣本進(jìn)行亮度歸一化處理；所述用第一部分圖像樣本對(duì)所述初始特征權(quán)值進(jìn)行微調(diào)，包括：用亮度歸一化處理后的第一部分圖像...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：吳振國(guó)，
申請(qǐng)(專利權(quán))人：騰訊科技深圳有限公司，
類型：發(fā)明
國(guó)別省市：廣東,44