申请/专利权人：平安科技(深圳)有限公司

申请日：2018-08-01

公开（公告）日：2024-03-19

公开（公告）号：CN109308565B

主分类号：G06Q10/0639

分类号：G06Q10/0639;G06F18/2431;G06F18/27;G06N5/01

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2020.10.30#实质审查的生效;2019.02.05#公开

摘要：本发明公开了一种人群绩效等级识别方法、装置、存储介质及计算机设备，涉及人工智能技术领域，主要目的在于能够在一定程度上克服数据分布平衡的影响，减少预设决策树模型识别错误的情况，且能够在保证识别精确度的前提下，提升占比较低的目标人群召回率。所述方法包括：将待识别用户对应的人群绩效特征输入到预设决策树模型进行一次识别，得到所述用户归属于对应分类人群绩效等级的概率值；将所述人群绩效特征和所述用户归属于对应分类人群绩效等级的概率值输入到预设二次识别模型进行二次识别，得到所述用户归属于各个人群绩效等级的概率值；根据所述各个人群绩效等级的概率值，确定所述用户对应的人群绩效等级。本发明适用于人群绩效等级识别。

主权项：1.一种人群绩效等级识别方法，其特征在于，包括：将待识别用户对应的人群绩效特征输入到预设决策树模型进行一次识别，得到所述用户归属于对应分类人群绩效等级的概率值；将所述人群绩效特征和所述用户归属于对应分类人群绩效等级的概率值输入到预设二次识别模型进行二次识别，得到所述用户归属于各个人群绩效等级的概率值，所述预设二次识别模型为预设逻辑回归模型或者预设神经网络模型，其中，在将待识别用户对应的人群绩效特征输入到预设决策树模型进行一次识别，得到所述用户归属于对应分类人群绩效等级的概率值之前，获取多个样本用户对应的样本人群绩效特征和样本人群绩效等级，根据所述样本人群绩效特征和所述样本人群绩效等级，建立所述预设决策树模型，并获取所述预设决策树模型计算的所述多个样本用户归属于对应分类人群绩效等级的概率值，根据所述样本人群绩效特征和所述多个样本用户归属于对应分类人群绩效等级的概率值，建立所述预设二次识别模型；根据所述各个人群绩效等级的概率值，确定所述用户对应的人群绩效等级。

全文数据：人群绩效等级识别方法、装置、存储介质及计算机设备技术领域本发明涉及人工智能技术领域，尤其是涉及一种人群绩效等级识别方法、装置、存储介质及计算机设备。背景技术近年来，很多行业开始重视人群绩效，尤其是开始重视识别人群绩效等级，通过识别出目标人群并对目标人群进行奖励，能够大大促进企业整体效益的提升。目前，在识别人群绩效等级时，通常仅通过决策树模型识别人群绩效等级，即将决策树模型对用户识别得到的人群绩效等级，确定为用户的人群绩效等级。然而，由于人群数据量庞大且各个人群绩效等级的人群数据分布不平衡，决策树模型可能无法取得理想拟合效果，通常占比较低的人群通常为目标人群。例如，高绩效等级的人群数据通常会远小于普通绩效等级的人群数据，一般高绩效等级的人群占比通常为20％，普通绩效等级的人群占比通常为80％，高绩效等级的人群通常为目标人群。若仅通过决策树模型识别人群绩效等级，会发生决策树模型识别错误的情况，造成识别出来的占比较低的目标人群的数量较少，从而造成占比较低的目标人群召回率较低。发明内容本发明提供了一种人群绩效等级识别方法、装置、存储介质及计算机设备，主要在于能够在一定程度上克服数据分布平衡的影响，减少预设决策树模型识别错误的情况，且能够在保证识别精确度的前提下，提升占比较低的目标人群召回率。根据本发明的第一个方面，提供一种人群绩效等级识别方法，包括：将待识别用户对应的人群绩效特征输入到预设决策树模型进行一次识别，得到所述用户归属于对应分类人群绩效等级的概率值；将所述人群绩效特征和所述用户归属于对应分类人群绩效等级的概率值输入到预设二次识别模型进行二次识别，得到所述用户归属于各个人群绩效等级的概率值；根据所述各个人群绩效等级的概率值，确定所述用户对应的人群绩效等级。根据本发明的第二个方面，提供一种人群绩效等级识别装置，包括：识别单元，用于将待识别用户对应的人群绩效特征输入到预设决策树模型进行一次识别，得到所述用户归属于对应分类人群绩效等级的概率值；所述识别单元，还用于将所述人群绩效特征和所述用户归属于对应分类人群绩效等级的概率值输入到预设二次识别模型进行二次识别，得到所述用户归属于各个人群绩效等级的概率值；确定单元，用于根据所述各个人群绩效等级的概率值，确定所述用户对应的人群绩效等级。根据本发明的第三个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：将待识别用户对应的人群绩效特征输入到预设决策树模型进行一次识别，得到所述用户归属于对应分类人群绩效等级的概率值；将所述人群绩效特征和所述用户归属于对应分类人群绩效等级的概率值输入到预设二次识别模型进行二次识别，得到所述用户归属于各个人群绩效等级的概率值；根据所述各个人群绩效等级的概率值，确定所述用户对应的人群绩效等级。根据本发明的第四个方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：将待识别用户对应的人群绩效特征输入到预设决策树模型进行一次识别，得到所述用户归属于对应分类人群绩效等级的概率值；将所述人群绩效特征和所述用户归属于对应分类人群绩效等级的概率值输入到预设二次识别模型进行二次识别，得到所述用户归属于各个人群绩效等级的概率值；根据所述各个人群绩效等级的概率值，确定所述用户对应的人群绩效等级。本发明提供的一种人群绩效等级识别方法、装置、存储介质及计算机设备，与目前仅通过决策树模型识别人群绩效等级相比，本发明能够将待识别用户对应的人群绩效特征输入到预设决策树模型进行一次识别，得到所述用户归属于对应分类人群绩效等级的概率值。与此同时，能够将所述人群绩效特征和所述用户归属于对应分类人群绩效等级的概率值输入到预设二次识别模型进行二次识别，得到所述用户归属于各个人群绩效等级的概率值；并能够根据所述各个人群绩效等级的概率值，确定所述用户对应的人群绩效等级。从而能够实现在预设决策树模型的识别结果上，利用预设二次识别模型对所述用户进行二次识别，能够在一定程度上克服数据分布平衡的影响，减少预设决策树模型识别错误的情况，且能够在保证识别精确度的前提下，提升占比较低的目标人群召回率。附图说明此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：图1示出了本发明实施例提供的一种人群绩效等级识别方法流程图；图2示出了本发明实施例提供的另一种人群绩效等级识别方法流程图；图3示出了本发明实施例提供的一种人群绩效等级识别装置的结构示意图；图4示出了本发明实施例提供的另一种人群绩效等级识别装置的结构示意图；图5示出了本发明实施例提供的一种计算机设备的实体结构示意图。具体实施方式下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。如背景技术，目前，在识别人群绩效等级时，通常仅通过决策树模型识别人群绩效等级，即将决策树模型对用户识别得到的人群绩效等级，确定为用户的人群绩效等级。然而，由于人群数据量庞大且各个人群绩效等级的人群数据分布不平衡，决策树模型可能无法取得理想拟合效果，通常占比较低的人群通常为目标人群。若仅通过决策树模型识别人群绩效等级，会发生决策树模型识别错误的情况，造成识别出来的占比较低的目标人群的数量较少，从而造成占比较低的目标人群召回率较低。为了解决上述问题，本发明实施例提供了一种人群绩效等级识别方法，如图1所示，所述方法包括：101、将待识别用户对应的人群绩效特征输入到预设决策树模型进行一次识别，得到所述用户归属于对应分类人群绩效等级的概率值。其中，所述人群绩效特征可以包括但不限于：月均学习课程数、工作地址经纬度、单月内互联网交易产品数。所述人群绩效等级可以包括：高绩效等级和普遍绩效等级。所述预设决策树模型可以为根据样本人群绩效特征和样本人群绩效等级建立的，所述预设决策树模型可以保存有人群绩效特征和人群绩效等级之间的对应规则。所述用户对应的分类人群绩效等级可以为所述预设决策树模型对所述用户进行分类得到的人群绩效等级，具体地可以为根据输入的人群绩效特征分类得到的，即每个人群绩效特征都可以作为识别所述用户类别的节点。在人群绩效特征输入到预设决策树模型后，预设决策树模型会根据人群绩效特征对所述用户进行分类，最后得到所述用户的人群绩效等级。例如，月均学习课程数为50、工作地址经纬度为123.435，41.819、单月内互联网交易产品数为10，所述预设决策树模型会先根据月均学习课程数50对用户进行分类，然后根据工作地址经纬度123.435，41.819对用户进行分类；根据单月内互联网交易产品数10对用户进行分类，最后可以得到所述用户对应的分类人群绩效等级，并计算出所述用户归属于对应分类人群绩效等级的概率值。102、将所述人群绩效特征和所述用户归属于对应分类人群绩效等级的概率值输入到预设二次识别模型进行二次识别，得到所述用户归属于各个人群绩效等级的概率值。例如，若用户对应的人群绩效特征为：月均学习课程数为50、工作地址经纬度为123.435，41.819、单月内互联网交易产品数为10；所述预设决策树模型识别所述用户对应的分类人群绩效等级为高绩效等级，且计算所述用户归属于高绩效等级的概率值为0.7，则可以将月均学习课程数50、工作地址经纬度123.435，41.819、单月内互联网交易产品数10、归属于高绩效等级的概率值0.7作为特征输入到预设逻辑回归模型对所述用户进行二次识别，得到所述用户归属于高绩效等级的概率值以及所述用户归属于普通绩效等级。103、根据所述各个人群绩效等级的概率值，确定所述用户对应的人群绩效等级。需要说明的是，可以将最高概率值对应的人群绩效等级，确定为所述用户对应的人群绩效等级。例如，用户归属于高绩效等级的概率值为所有概率值中最高的，则可以将高绩效等级确定为所述用户对应的人群绩效等级，即确定用户为高绩效人群。本发明实施例提供的一种人群绩效等级识别方法，与目前仅通过决策树模型识别人群绩效等级相比，本发明实施例能够将待识别用户对应的人群绩效特征输入到预设决策树模型进行一次识别，得到所述用户归属于对应分类人群绩效等级的概率值。与此同时，能够将所述人群绩效特征和所述用户归属于对应分类人群绩效等级的概率值输入到预设二次识别模型进行二次识别，得到所述用户归属于各个人群绩效等级的概率值；并能够根据所述概率值，确定所述用户对应的人群绩效等级，从而能够实现在预设决策树模型的识别结果上，利用预设二次识别模型对所述用户进行二次识别，能够在一定程度上克服数据分布平衡的影响，减少预设决策树模型识别错误的情况，且能够在保证识别精确度的前提下，提升占比较低的目标人群召回率。进一步的，为了更好的说明上述人群绩效等级识别的过程，作为对上述实施例的细化和扩展，本发明实施例提供了另一种人群绩效等级识别方法，如图2所示，所述方法包括：201、获取待识别用户对应的人群绩效数据，并从所述人群绩效数据中提取出所述用户对应的人群绩效特征。其中，所述人群绩效数据可以为人工上传的，也可以为从企业的绩效管控系统采集的。在本发明实施例中，可以通过特征关键字匹配的方式从人群绩效数据中提取出所述用户对应的人群绩效特征。具体地，可以将人群绩效特征关键字与所述人群绩效数据进行匹配，实现从所述人群绩效数据中提取出所述用户对应的人群绩效特征。例如，若人群绩效特征关键字为“月均学习课程”，则可以从所述人群绩效数据中提取出所述用户对应的月均学习课程数，具体可以为80；若人群绩效特征关键字为“工作地址经纬度”，则可以从从所述人群绩效数据中提取出所述用户对应的工作地址经纬度，具体可以为123.436，41.819。若人群绩效特征关键字为“单月内互联网交易产品”，则可以从所述人群绩效数据中提取出所述用户对应的单月内互联网交易产品数，具体可以为20。对于本发明实施例，为了建立所述预设决策树模型，所述步骤201之前所述方法还可以包括：获取多个样本用户对应的样本人群绩效特征和样本人群绩效等级；根据所述样本人群绩效特征和所述样本人群绩效等级，建立所述预设决策树模型。具体地，可以通过决策树算法对所述样本人群绩效特征和所述样本人群绩效等级进行训练，得到所述预设决策树模型。所述预设决策树模型保存有人群绩效特征和人群绩效等级之间的对应规则。决策树算法可以是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。此外，为了建立所述二次识别模型，所述方法还可以包括：获取所述预设决策树模型计算的所述多个样本用户归属于对应分类人群绩效等级的概率值；根据所述样本人群绩效特征和所述各个样本人群绩效等级的概率值，建立所述预设二次识别模型。具体地，可以通过将所述样本人群绩效特征输入到所述预设决策树模型进行识别，得到所述多个样本用户归属于各个人群绩效等级的概率值。在具体应用场景中，若所述预设二次识别模型为预设逻辑回归模型，则可以利用预设逻辑回归算法对所述样本人群绩效特征和所述多个样本用户归属于各个人群绩效等级的概率值进行训练，建立所述预设逻辑回归模型。预设逻辑回归算法又称为逻辑回归分析算法，是分类和预测算法中的一种。可以通过历史数据的表现对未来结果发生的概率进行预测。在本发明实施例中，逻辑回归算法对所述各个样本用户对应的样本人群绩效特征和所述多个样本用户归属于对应分类人群绩效等级的概率值进行训练时，可以将样本人群绩效特征和所述多个样本用户归属于对应分类人群绩效等级的概率值作为自变量，把样本人群绩效等级作为因变量训练所述预设逻辑回归模型。或者若所述预设二次识别模型为预设神经网络模型，则利用预设神经网络算法对所述样本人群绩效特征和所述多个样本用户归属于各个人群绩效等级的概率值进行训练，建立所述预设神经网络模型。所述预设神经网络算法可以为卷积神经网络算法、递归神经网络算法等，所述预设神经网络模型可以包括输入层、隐藏层、输出层。输入层可以对应于输入的样本人群绩效特征和所述多个样本用户归属于对应分类人群绩效等级的概率值组成的训练集，所述隐藏层可以包括特征提取层和计算层，所述特征提取层可以用于根据所述训练集提取样本人群绩效特征和所述多个样本用户归属于对应分类人群绩效等级的概率值，所述计算层可以用于计算各个人群绩效等级的概率值计算；所述输出层用于将计算的各个人群绩效等级的概率值进行输出。202、将待识别用户对应的人群绩效特征输入到预设决策树模型进行一次识别，得到所述用户归属于对应分类人群绩效等级的概率值。其中，得到所述用户归属于对应分类人群绩效等级的概率值的过程在步骤101已详细阐述，本发明实施例在此不进行赘述。203、将所述人群绩效特征和所述用户归属于对应分类人群绩效等级的概率值输入到预设二次识别模型进行二次识别，得到所述用户归属于各个人群绩效等级的概率值。其中，所述预设二次识别模型可以为预设逻辑回归模型或者预设神经网络模型。在所述预设二次识别模型中所述用户归属于对应分类人群绩效等级的概率值可以为与所述人群绩效特征类似的单独特征。即可以将所述人群绩效特征和所述用户归属于对应分类人群绩效等级的概率值作为共同特征输入到预设二次识别模型对所述用户进行二次识别。具体地，当所述预设二次识别模型为预设逻辑回归模型时，可以通过如下公式计算得到所述用户归属于各个人群绩效等级的概率值：其中，x＝x1，x2，...xp，x1，x2，...,xp-1可以为人群绩效特征、xp可以为所述用户归属于对应分类人群绩效等级的概率值作为一个单独特征。因此，所述预设二次识别模型可以以所述人群绩效特征和所述用户归属于对应分类人群绩效等级的概率值作为输入特征或者训练集进行计算，得到所述用户归属于各个人群绩效等级的概率值。例如，可以将月均学习课程数80、工作地址经纬度143.435，51.819、单月内互联网交易产品数30、归属于高绩效等级的概率值0.6作为共同特征输入到预设逻辑回归模型对所述用户进行二次识别，因此，可以得到所述预设逻辑回归模型输出的：所述用户归属于高绩效等级的概率值为0.83，所述用户归属于普通绩效等级为0.17。204、对所述各个人群绩效等级的概率值进行排序，并将最高概率值对应的人群绩效等级，确定为所述用户对应的人群绩效等级。例如，若所述预设二次识别模型计算用户归属于高绩效等级的概率值为0.56，用户归属于普通绩效等级的概率值为0.46，用户归属于高绩效等级的概率值最高，则可以将高绩效等级确定为所述用户对应的人群绩效等级，即确定用户为高绩效人群。若所述预设二次识别模型计算用户归属于高绩效等级的概率值为0.32，计算用户归属于普通绩效等级的概率值为0.68，用户归属于普通绩效等级的概率值最高，则可以将普通绩效等级确定为所述用户对应的人群绩效等级，即确定用户为普通绩效人群。本发明实施例提供的另一种人群绩效等级识别方法，与目前仅通过决策树模型识别人群绩效等级相比，本发明实施例能够将待识别用户对应的人群绩效特征输入到预设决策树模型进行一次识别，得到所述用户归属于对应分类人群绩效等级的概率值。与此同时，能够将所述人群绩效特征和所述用户归属于对应分类人群绩效等级的概率值输入到预设二次识别模型进行二次识别，得到所述用户归属于各个人群绩效等级的概率值；并能够根据所述概率值，确定所述用户对应的人群绩效等级。从而能够实现在预设决策树模型的识别结果上，利用预设二次识别模型对所述用户进行二次识别，能够在一定程度上克服数据分布平衡的影响，减少预设决策树模型识别错误的情况，且能够在保证识别精确度的前提下，提升占比较低的目标人群召回率。进一步地，作为图1的具体实现，本发明实施例提供了一种人群绩效等级识别装置，如图3所示，所述装置包括：识别单元31和确定单元32。所述识别单元31，可以用于将待识别用户对应的人群绩效特征输入到预设决策树模型进行一次识别，得到所述用户归属于对应分类人群绩效等级的概率值。所述识别单元31是本装置中将待识别用户对应的人群绩效特征输入到预设决策树模型进行一次识别，得到所述用户归属于对应分类人群绩效等级的概率值的主要功能模块。所述识别单元31，还可以用于将所述人群绩效特征和所述用户归属于对应分类人群绩效等级的概率值输入到预设二次识别模型进行二次识别，得到所述用户归属于各个人群绩效等级的概率值；所述识别单元31还是本装置中将所述人群绩效特征和所述用户归属于对应分类人群绩效等级的概率值输入到预设二次识别模型进行二次识别，得到所述用户归属于各个人群绩效等级的概率值的主要功能模块，也是核心模块。所述确定单元32，可以用于根据所述各个人群绩效等级的概率值，确定所述用户对应的人群绩效等级。所述确定单元32是本装置中根据所述各个人群绩效等级的概率值，确定所述用户对应的人群绩效等级的主要功能模块。对于本发明实施例，为了确定为所述用户对应的人群绩效等级，所述确定单元31，具体可以用于对所述各个人群绩效等级的概率值进行排序；将最高概率值对应的人群绩效等级，确定为所述用户对应的人群绩效等级。对于本发明实施例，为了建立所述预设决策树模型和所述预设二次识别模型，所述装置还包括：获取单元33和建立单元34，如图4所示。所述获取单元33，可以用于获取多个样本用户对应的样本人群绩效特征和样本人群绩效等级。所述获取单元34是本装置中获取多个样本用户对应的样本人群绩效特征和样本人群绩效等级的主要功能模块。所述建立单元34，可以用于根据所述样本人群绩效特征和所述样本人群绩效等级，建立所述预设决策树模型。所述建立单元34是本装置中根据所述样本人群绩效特征和所述样本人群绩效等级，建立所述预设决策树模型的主要功能模块。所述获取单元33，还可以用于获取所述预设决策树模型计算的所述多个样本用户归属于对应分类人群绩效等级的概率值。所述获取单元34还是本装置中获取所述预设决策树模型计算的所述多个样本用户归属于对应分类人群绩效等级的概率值的主要功能模块。所述建立单元34，还可以用于根据所述样本人群绩效特征和所述各个人样本群绩效等级的概率值，建立所述预设二次识别模型。所述建立单元34还是本装置中根据所述样本人群绩效特征和所述各个人样本群绩效等级的概率值，建立所述预设二次识别模型的主要功能模块。在具体应用场景中，所述建立单元34，具体可以用于当所述预设二次识别模型为预设逻辑回归模型时，利用预设逻辑回归算法对所述样本人群绩效特征和所述多个样本用户归属于对应分类人群绩效等级的概率值进行训练，建立所述预设逻辑回归模型。所述建立单元34，具体还可以用于当所述预设二次识别模型为预设神经网络模型时，利用预设神经网络算法对所述样本人群绩效特征和所述多个样本用户归属于对应分类人群绩效等级的概率值进行训练，建立所述预设神经网络模型。所述获取单元33，具体可以用于将所述样本人群绩效特征输入到所述预设决策树模型进行识别，得到所述用户归属于对应分类人群绩效等级的概率值。对于本发明实施例，为了获取待识别用户对应的人群绩效特征，所述装置还可以包括：提取单元35。所述获取单元33，还可以用于获取待识别用户对应的人群绩效数据。所述获取单元33还是本装置中获取待识别用户对应的人群绩效数据的主要功能模块。所述提取单元35，可以用于从所述人群绩效数据中提取出所述用户对应的人群绩效特征。所述提取单元35是本装置中从所述人群绩效数据中提取出所述用户对应的人群绩效特征的主要功能模块。需要说明的是，本发明实施例提供的一种人群绩效等级识别装置所涉及各功能模块的其他相应描述，可以参考图1所示方法的对应描述，在此不再赘述。基于上述如图1所示方法，相应的，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：将待识别用户对应的人群绩效特征输入到预设决策树模型进行一次识别，得到所述用户归属于对应分类人群绩效等级的概率值；将所述人群绩效特征和所述用户归属于对应分类人群绩效等级的概率值输入到预设二次识别模型进行二次识别，得到所述用户归属于各个人群绩效等级的概率值；根据所述概率值，确定所述用户对应的人群绩效等级。基于上述如图1所示方法和如图3所示人群绩效等级识别装置的实施例，本发明实施例还提供了一种计算机设备的实体结构图，如图5所示，该计算机设备包括：处理器41、存储器42、及存储在存储器42上并可在处理器上运行的计算机程序，其中存储器42和处理器41均设置在总线43上所述处理器41执行所述程序时实现以下步骤：将待识别用户对应的人群绩效特征输入到预设决策树模型进行一次识别，得到所述用户归属于对应分类人群绩效等级的概率值；将所述人群绩效特征和所述用户归属于对应分类人群绩效等级的概率值输入到预设二次识别模型进行二次识别，得到所述用户归属于各个人群绩效等级的概率值；根据所述概率值，确定所述用户对应的人群绩效等级。该计算机设备还包括：总线43，被配置为耦接处理器41及存储器42。通过本发明的技术方案，能够将待识别用户对应的人群绩效特征输入到预设决策树模型进行一次识别，得到所述用户归属于对应分类人群绩效等级的概率值。与此同时，能够将所述人群绩效特征和所述用户归属于对应分类人群绩效等级的概率值输入到预设二次识别模型进行二次识别，得到所述用户归属于各个人群绩效等级的概率值；并能够根据所述概率值，确定所述用户对应的人群绩效等级。从而能够实现在预设决策树模型的识别结果上，利用预设二次识别模型对所述用户进行二次识别，能够在一定程度上克服数据分布平衡的影响，减少预设决策树模型识别错误的情况，且能够在保证识别精确度的前提下，提升占比较低的目标人群召回率。显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

权利要求：1.一种人群绩效等级识别方法，其特征在于，包括：将待识别用户对应的人群绩效特征输入到预设决策树模型进行一次识别，得到所述用户归属于对应分类人群绩效等级的概率值；将所述人群绩效特征和所述用户归属于对应分类人群绩效等级的概率值输入到预设二次识别模型进行二次识别，得到所述用户归属于各个人群绩效等级的概率值；根据所述各个人群绩效等级的概率值，确定所述用户对应的人群绩效等级。2.根据权利要求1所述的方法，其特征在于，所述根据所述各个人群绩效等级的概率值，确定所述用户对应的人群绩效等级，包括：对所述各个人群绩效等级的概率值进行排序；将最高概率值对应的人群绩效等级，确定为所述用户对应的人群绩效等级。3.根据权利要求1所述的方法，其特征在于，所述将待识别用户对应的人群绩效特征输入到预设决策树模型进行一次识别，得到所述用户归属于对应分类人群绩效等级的概率值之前，所述方法还包括：获取多个样本用户对应的样本人群绩效特征和样本人群绩效等级；根据所述样本人群绩效特征和所述样本人群绩效等级，建立所述预设决策树模型，并获取所述预设决策树模型计算的所述多个样本用户归属于对应分类人群绩效等级的概率值；根据所述样本人群绩效特征和所述多个样本用户归属于对应分类人群绩效等级的概率值，建立所述预设二次识别模型。4.根据权利要求3所述的方法，其特征在于，所述预设二次识别模型为预设逻辑回归模型，所述根据所述样本人群绩效特征和所述多个样本用户归属于对应分类人群绩效等级的概率值，建立所述预设二次识别模型，包括：利用预设逻辑回归算法对所述样本人群绩效特征和所述多个样本用户归属于对应分类人群绩效等级的概率值进行训练，建立所述预设逻辑回归模型。5.根据权利要求3所述的方法，其特征在于，所述预设二次识别模型为预设神经网络模型，所述根据所述样本人群绩效特征和所述多个样本用户归属于对应分类人群绩效等级的概率值，建立所述预设二次识别模型，包括：利用预设神经网络算法对所述样本人群绩效特征和所述多个样本用户归属于对应分类人群绩效等级的概率值进行训练，建立所述预设神经网络模型。6.根据权利要求3所述的方法，其特征在于，所述获取所述预设决策树模型计算的所述多个样本用户归属于对应分类人群绩效等级的概率值，包括：将所述样本人群绩效特征输入到所述预设决策树模型进行识别，得到所述用户归属于对应分类人群绩效等级的概率值。7.根据权利要求1-6任一项所述的方法，其特征在于，所述将待识别用户对应的人群绩效特征输入到预设决策树模型进行一次识别，得到所述用户归属于对应分类人群绩效等级的概率值之前，所述方法还包括：获取待识别用户对应的人群绩效数据；从所述人群绩效数据中提取出所述用户对应的人群绩效特征。8.一种人群绩效等级识别装置，其特征在于，包括：识别单元，用于将待识别用户对应的人群绩效特征输入到预设决策树模型进行一次识别，得到所述用户归属于对应分类人群绩效等级的概率值；所述识别单元，还用于将所述人群绩效特征和所述用户归属于对应分类人群绩效等级的概率值输入到预设二次识别模型进行二次识别，得到所述用户归属于各个人群绩效等级的概率值；确定单元，用于根据所述归属于各个人群绩效等级的概率值，确定所述用户对应的人群绩效等级。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

百度查询： 平安科技(深圳)有限公司 人群绩效等级识别方法、装置、存储介质及计算机设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD