[发明专利]一种模型训练方法、业务分配方法、装置及设备

说明书

本说明书实施例提供一种模型训练方法、业务分配方法、装置及设备，可应用于人工智能技术领域。所述方法包括：获取用户样本数据；所述用户样本数据包括有标签数据和无标签数据；将所述用户样本数据划分为分别对应于至少两种业务处理视角的单视角数据；针对各组单视角数据分别进行聚类，得到各个业务处理视角下的数据聚类结果；根据所述数据聚类结构构造关联约束系数；基于所述用户样本数据确定平滑约束系数；综合所述数据聚类结果训练得到用户分类模型；所述用户分类模型用于根据用户数据确定用户类别。上述方法保证了半监督学习过程中对数据的有效利用，提高了用户分类的准确性，有利于后续过程中分配用户相应的业务。

技术领域

本说明书实施例涉及人工智能技术领域，特别涉及一种模型训练方法、业务分配方法、装置及设备。

背景技术

随着社会的发展和进步，对于业务类型的细分程度也在不断提高。这些业务可以是为用户提供相应服务的业务，也可以是需要用户及时进行处理的业务，相应的，不同类型的用户所需要获取的业务也都不尽相同。因此，预先根据用户的相关信息，判断用户可能会获取的业务，从而预先准备好相应业务对应的数据和资源，能够有效提高后续过程中的业务处理效率，改善用户的体验。

由于在模型训练过程中，为了兼顾标注样本数据的工作量和模型训练的准确性，会采样半监督学习的方式对模型进行训练，即利用一部分有标签数据和一部分无标签数据进行训练。但是，在实际应用中，样本数据可能本身对应有较多的类别，在同时利用多种类别的数据对模型进行训练时可能会影响模型训练的准确性。而只针对一部分数据进行标注时，也可能会使得有标签数据和无标签数据所对应的数据类别存在有一定差异，在综合有标签数据和无标签数据进行训练时可能会因为数据类别的不同而影响最终的训练效果，降低利用模型对用户进行分类时的准确性，从而影响用户的使用体验。因此，目前亟需一种能够准确有效地基于半监督学习方式对模型进行训练的方法。

发明内容

本说明书实施例的目的是提供一种模型训练方法、业务分配方法、装置及设备，以解决如何提高用户分类的准确性以提高用户处理业务的体验的问题。

为解决上述技术问题，本说明书实施例提供一种基于用户分类的模型训练方法，包括：获取用户样本数据；所述用户样本数据包括有标签数据和无标签数据；所述有标签数据对应有用户类别；将所述用户样本数据划分为分别对应于至少两种业务处理视角的单视角数据；所述业务处理视角用于指示数据的不同类别；针对各组单视角数据分别进行聚类，得到各个业务处理视角下的数据聚类结果；根据所述数据聚类结果构造关联约束系数；所述关联约束系数用于调节各个业务处理视角下的单视角数据的训练结果的相似性；基于所述用户样本数据确定平滑约束系数；所述平滑约束系数用于调节有标签数据和无标签数据的训练结果的相似性；综合所述关联约束系数和平滑约束系数训练得到用户分类模型；所述用户分类模型用于根据用户数据确定用户类别。

本说明书实施例还提出一种基于用户分类的模型训练装置，包括：用户样本数据获取模块，用于获取用户样本数据；所述用户样本数据包括有标签数据和无标签数据；所述有标签数据对应有用户类别；单视角数据划分模块，用于将所述用户样本数据划分为分别对应于至少两种业务处理视角的单视角数据；所述业务处理视角用于指示数据的不同类别；聚类模块，用于针对各组单视角数据分别进行聚类，得到各个业务处理视角下的数据聚类结果；关联约束系数构造模块，用于根据所述数据聚类结果构造关联约束系数；所述关联约束系数用于调节各个业务处理视角下的单视角数据的训练结果的相似性；平滑约束系数确定模块，用于基于所述用户样本数据确定平滑约束系数；所述平滑约束系数用于调节有标签数据和无标签数据的训练结果的相似性；训练模块，用于综合所述数据聚类结果训练得到用户分类模型；所述用户分类模型用于根据用户数据确定用户类别。