[发明专利]一种分类模型生成方法及装置、一种数据识别方法及装置

权利要求书

1.一种分类模型生成方法，其特征在于，包括：

获取训练样本数据集，其中，所述训练样本数据集中包括至少两个样本数据以及每个所述样本数据对应的样本标签；

构建所述至少两个样本数据的第一关系网络，通过所述第一关系网络的节点表征所述至少两个样本数据；

基于预设的网络嵌入学习模型获得所述第一关系网络中每个节点的向量化表示；

通过所述训练样本数据集对分类模型进行训练，得到所述分类模型，所述分类模型使得所述样本标签与所述第一关系网络中每个节点的向量化表示相关联。

2.根据权利要求1所述的方法，其特征在于，获取训练样本数据集包括：

按照预设时间间隔获取训练样本数据集。

3.根据权利要求1所述的方法，其特征在于，基于预设的网络嵌入学习模型获得所述第一关系网络中每个节点的向量化表示包括：

采用随机游走算法对所述第一关系网络中每个节点进行序列采样，并生成第一节点序列；

基于预设的网络嵌入学习模型将所述第一节点序列中的每个节点进行向量化表示。

4.根据权利要求3所述的方法，其特征在于，基于预设的网络嵌入学习模型将所述第一节点序列中的每个节点进行向量化表示包括：

基于Node2vec网络嵌入学习模型将所述第一节点序列中的每个节点进行向量化表示。

5.根据权利要求3所述的方法，其特征在于，基于预设的网络嵌入学习模型将所述第一节点序列中的每个节点进行向量化表示包括：

基于DeepWalk网络嵌入学习模型将所述第一节点序列中的每个节点进行向量化表示。

6.根据权利要求4所述的方法，其特征在于，基于Node2vec网络嵌入学习模型将所述第一节点序列中的每个节点进行向量化表示包括：

所述Node2vec网络嵌入学习模型基于Word2vec的SkipGram框架将所述节点序列中的每个节点进行向量化表示。

7.根据权利要求1所述的方法，其特征在于，所述分类模型包括XGBoost模型、随机森林模型、支持向量机模型或逻辑回归模型。

8.一种数据识别方法，其特征在于，包括：

获取待识别数据集，其中，所述待识别数据集包括至少两个待识别数据；

构建所述至少两个待识别数据的第二关系网络，通过所述第二关系网络的节点表征所述至少两个待识别数据；

基于预设的网络嵌入学习模型获得所述第二关系网络中每个节点的向量化表示；

根据预先训练的分类模型确定所述第二关系网络中每个节点的向量化表示对应的数据标签。

9.根据权利要求8所述的方法，其特征在于，基于预设的网络嵌入学习模型获得所述第二关系网络中每个节点的向量化表示包括：

采用随机游走算法对所述第二关系网络中每个节点进行序列采样，并生成第二节点序列；

根据预设的网络嵌入学习模型将所述第二节点序列中的每个节点进行向量化表示。

10.根据权利要求9所述的方法，其特征在于，根据预设的网络嵌入学习模型将所述第二节点序列中的每个节点进行向量化表示包括：

基于Node2vec网络嵌入学习模型将所述第二节点序列中的每个节点进行向量化表示。

11.根据权利要求9所述的方法，其特征在于，根据预设的网络嵌入学习模型将所述第二节点序列中的每个节点进行向量化表示包括：

基于DeepWalk网络嵌入学习模型将所述第二节点序列中的每个节点进行向量化表示。