[发明专利]一种使用分类器进行分类的方法和装置

说明书

本说明书实施例提供一种使用分类器进行分类的装置和方法，该方法包括：生成待分类对象的特征向量；以及使用信息最大化生成对抗神经网络(InoGAN)分类器的判别器识别所述待分类对象的所述特征向量的类别。

技术领域

本说明书涉及电子信息领域，尤其涉及一种使用分类器进行分类的方法和装置。

背景技术

随着移动互联技术的发展，用户之间的交互可以更多地借助数字化的信息来完成。

在一种应用场景下，服务提供方可以为用户生成数字化的服务码，该服务码与该用户绑定，用户在该服务提供方提供的平台上可以经由服务码与其他用户进行互动时。

例如，在电子贸易平台上，平台服务的提供方可以为用户提供收钱码作为服务码，该收钱码与该用户绑定，其他用户需要对该用户付款时，通过扫描该收钱码并进行转账操作，就可以将款项支付到该收钱码对应的账户。

为了便于对服务码进行推广和管理，服务提供方有时需要用户提交服务码与用户绑定的信息。这些绑定信息中可能存在虚假信息，因此，需要对虚假的绑定信息进行识别。

目前，已经存在基于梯度提升树(GBDT：Gradient Boosting Decision Tree)的分类器用于识别绑定信息的真伪模型。

应该注意，上面对技术背景的介绍只是为了方便对本说明书的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本说明书的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。

发明内容

本说明书的发明人发现，现有的基于GBDT的分类器虽然能够鉴别出来部分虚假的绑定信息，但是，这些分类器对训练样本的依赖性较强，在作为训练样本的虚假的绑定信息数量较少的情况下，随着分类准确率要求的提升，该分类器的覆盖率急剧下降。

本说明书实施例提供一种使用分类器进行分类的方法及装置，使用信息最大化生成对抗神经网络(InoGAN)分类器的判别器来识别待分类对象的类别，由此，在训练样本数量有限的情况下，能够在维护较高精确度的同时，提升分类的覆盖率。

为了实现上述目的，本说明书提供一种使用分类器进行分类的方法，所述方法包括：生成待分类对象的特征向量；以及使用信息最大化生成对抗神经网络(InoGAN)分类器的判别器识别所述待分类对象的所述特征向量的类别。

本说明书还提供一种使用分类器进行分类的装置，包括：特征向量生成单元，其生成待分类对象的特征向量；以及分类器单元，其使用信息最大化生成对抗神经网络(InoGAN)分类器的判别器识别所述待分类对象的所述特征向量的类别。

本说明书的有益效果在于：在训练样本数量有限的情况下，能够在维护较高精确度的同时，提升分类的覆盖率。

参照后文的说明和附图，详细公开了本发明的特定实施方式，指明了本发明的原理可以被采用的方式。应该理解，本发明的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本发明的实施方式包括许多改变、修改和等同。

针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。

应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。