[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

说明书

本发明涉及一种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。本发明所述的基于卷积神经网络的用户属性分类方法包括如下步骤：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用户属性分类卷积神经网络模型，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的输出中获取被测对象的属性分类结果。本发明所述的基于卷积神经网络的用户属性分类方法操作简单，能提高用户属性分类的效率和准确性。

技术领域

本发明涉及用户属性分类领域，特别是涉及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。

背景技术

目前互联网新零售、精准推广、招聘、征信、婚恋匹配、职业规划、个性化教育、产品定制等智能化应用中，通常需要准确的获取用户的个人属性特点，而使用户通过做问卷的方式来获取用户的个人属性特点，通过提前打印好的表格，或在线网页提供测评量表问卷(量表的列表及选项)，通过提交选项提供评估结果，按照指标模型与量表的关系计算特定性格模型的各维度评分结果。这种方法要求用户阅读所有量表和选项，逐一做出评判并选择，通常耗时10-30分钟，在需要运用多个人格模型时就需要填写多套问卷、花费更多时间，而评估人员也需要耗费大量时间去统计评分，测评量表在短期内对于同一被测对象也不便于重复使用。而问卷调查的用户的参与热情不高，往往会随便选几项答案完成问卷，根据这样回答的问卷，无法准确的获知用户的个人属性特点，问卷的准确性无法保证，无法准确的达成目标。

卷积神经网络是深度学习技术中极具代表的网络结构之一，在数据处理领域取得了很大的成功，在国际标准的ImageNet数据集上，许多成功的模型都是基于CNN(Constitutional Neural Networks，卷积神经网络)的。CNN相较于传统的图像处理算法的优点之一在于，避免了对图像复杂的前期预处理过程(提取人工特征等)，可以直接输入原始数据。

发明内容

基于此，本发明的目的在于，提供一种基于卷积神经网络的用户属性分类方法，本发明的基于卷积神经网络的用户属性分类方法操作简单，能提高用户属性分类的效率和准确性。

本发明是通过如下方案实施的：

一种基于卷积神经网络的用户属性分类方法，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用户属性分类卷积神经网络模型，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。

本发明的基于卷积神经网络的用户属性分类方法，操作简单，能大量节省被测对象和评估人员的时间，且便于短时间内对同一被测对象重复使用，还能利用NPU、GPU、TPU等硬件的高维并行计算能力。通过将用户的心理属性相关电子数据作为输入向量集，将问卷获取的心理测评结果作为目标向量集输入从而训练用户属性分类卷积神经网络模型，使用户属性分类卷积神经网络模型所得出的属性分类结果更加准确，提高用户属性分类的效率和准确性，能为互联网的智能化应用提供更准确的用户属性数据。

进一步地，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。

进一步地，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；