[发明专利]基于卷积神经网络的用户属性分类方法、存储介质、装置及电子设备

权利要求书

1.一种基于卷积神经网络的用户属性分类方法，其特征在于，包括如下步骤：

将多个用户的心理属性相关电子数据作为输入向量集输入用户属性分类卷积神经网络模型；

将通过问卷获取的所述多个用户的心理测评结果作为目标向量集输入训练反馈模型，并更新用户属性分类卷积神经网络模型；

将被测对象的心理属性相关电子数据输入用户属性分类卷积神经网络模型，并从用户属性分类卷积神经网络模型输出被测对象的属性分类结果。

2.根据权利要求1所述的基于卷积神经网络的用户属性分类方法，其特征在于：

所述心理属性相关电子数据包括用户的面部图片，和/或用户的笔迹图像，和/或用户讲话的音频，和/或用户行走的视频图像。

3.根据权利要求2所述的基于卷积神经网络的用户属性分类方法，其特征在于：

将通过问卷获取的所述多个用户的心理测评结果作为目标向量集输入用户属性分类卷积神经网络模型前，还包括筛选合格的问卷测评结果的步骤，具体包括：

获取问卷中同类问题的答案之间的第一偏差值，和/或获取问卷中顺序相邻问题的答案之间的第二偏差值；

如果所述第一偏差值小于第一设定阈值，和/或所述第二偏差值大于第二设定阈值，则判定所述同类问题和/或所述顺序相邻问题的测评结果合格。

4.根据权利要求1所述的基于卷积神经网络的用户属性分类方法，其特征在于，还包括如下步骤：

如果从用户属性分类卷积神经网络模型的输出中获取的被测对象的属性分类结果和通过问卷获取的被测对象的心理测评结果之间的差值超过第三设定阈值，则将该问卷获取的被测对象的心理测评结果作为目标向量输入，并更新用户属性分类卷积神经网络模型。

5.根据权利要求4所述的基于卷积神经网络的用户属性分类方法，其特征在于：将该问卷获取的被测对象的心理测评结果作为目标向量输入，并更新用户属性分类卷积神经网络模型，具体包括如下步骤：

将该被测对象的心理属性相关电子数据和从用户属性分类卷积神经网络模型输出的被测对象的属性分类结果放入备选训练集；

获取从用户属性分类卷积神经网络模型的输出中获取的被测对象的属性分类结果与问卷获取的被测对象的心理测评结果之间的差值；

将所述差值超过第三设定阈值的该被测对象的心理属性相关电子数据和通过问卷获取的该被测对象的心理测评结果放入迭代训练集；

根据迭代训练集更新用户属性分类卷积神经网络模型。

6.根据权利要求1所述的基于卷积神经网络的用户属性分类方法，其特征在于：

所述被测对象的属性分类结果包括用于训练的心理测评结果的所有维度，并能根据用于训练的心理测评类型变更。

7.根据权利要求3所述的基于卷积神经网络的用户属性分类方法，其特征在于：

所述问卷的答案的可选范围为连续的实数数值范围。

8.一种计算机可读储存介质，其上储存有计算机程序，其特征在于：该计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于卷积神经网络的用户属性分类方法的步骤。

9.一种用户属性分类装置，其特征在于，包括：

输入模块，用于将多个用户的心理属性相关电子数据作为输入向量集输入用户属性分类卷积神经网络模型；

反馈训练模块，用于将通过问卷获取的所述多个用户的心理测评结果作为目标向量集输入训练反馈模型，并更新用户属性分类卷积神经网络模型；

用户属性分类卷积神经网络模块，用于将被测对象的心理属性相关电子数据输入用户属性分类卷积神经网络模型，并从用户属性分类卷积神经网络模型输出被测对象的属性分类结果。

10.一种电子设备，包括控制器与存储器，所述存储器上储存有计算机程序，其特征在于：该计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于卷积神经网络的用户属性分类方法的步骤。