[发明专利]模型训练方法、用户分类方法、装置、设备、介质及产品

说明书

本申请提供一种模型训练方法、用户分类方法、装置、设备、介质及产品，应用于人工智能领域。模型训练方法包括：获取训练样本数据，采用训练样本数据及减法聚类算法计算RBF网络模型的隐节点数；采用训练样本数据及RBF网络模型的隐节点数确定对用户进行分类的径向基函数RBF网络模型对应的训练后的基函数中心及宽度；计算RBF网络模型对应的初始连接权值，以获得初步训练后的RBF网络模型；采用改进的粒子群算法对初步训练后的RBF网络模型中的初始连接权值进行优化，并将优化后的RBF网络模型确定为用户分类模型。由于提高了RBF网络模型参数的准确性，因此提高了该模型的精度，从而提高了用户分类模型对用户进行分类的准确度。

技术领域

本申请涉及人工智能领域，尤其涉及一种模型训练方法、用户分类方法、装置、设备、介质及产品。

背景技术

为了给用户提供更匹配的服务或产品，需要对用户进行有效分类。目前通常采用各种分类模型实现对用户的分类。但是，采用各现有的分类模型对用户分类会出现分类不准确或通用性较低等问题。例如，在采用RFM客户分类模型对用户进行分类时，仅依据最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)三个指标，因此对消费数额较低、消费频率不高的普通用户的分析结果准确度较低。

发明内容

本申请提供一种模型训练方法、用户分类方法、装置、设备、介质及产品，用以解决采用现有的分类模型对用户分类导致的分类不准确或分类模型的通用性较低的问题。

第一方面，本申请提供一种用户分类模型训练方法，包括：

获取训练样本数据，采用训练样本数据及减法聚类算法计算RBF网络模型的隐节点数；所训练样本数据包括多个用户的分类指标数据；

采用训练样本数据及所述RBF网络模型的隐节点数确定对用户进行分类的径向基函数RBF网络模型对应的训练后的基函数中心及宽度；

计算RBF网络模型对应的初始连接权值，以获得初步训练后的RBF网络模型，所述初步训练后的RBF网络模型中包括训练后的基函数中心及宽度；

采用改进的粒子群算法对所述初步训练后的RBF网络模型中的初始连接权值进行优化，并将优化后的RBF网络模型确定为用户分类模型。

第二方面，一种用户分类方法，包括：

获取待分类用户的分类指标数据；

将所述分类指标数据输入用户分类模型中以对待分类用户进行分类，并获得输出的对该用户的分类结果；所述用户分类模型为通过第一方面所述的用户分类模型训练方法得到的。

第三方面，本申请提供一种用户分类模型训练装置，包括：

获取模块，用于获取训练样本数据；

计算模块，用于采用训练样本数据及减法聚类算法计算RBF网络模型的隐节点数；所训练样本数据包括多个用户的分类指标数据；

基函数确定模块，用于采用训练样本数据及所述RBF网络模型的隐节点数确定对用户进行分类的径向基函数RBF网络模型对应的训练后的基函数中心及宽度；

计算模块，还用于计算RBF网络模型对应的初始连接权值，以获得初步训练后的RBF网络模型，所述初步训练后的RBF网络模型中包括训练后的基函数中心及宽度；

优化模块，用于采用改进的粒子群算法对所述初步训练后的RBF网络模型中的初始连接权值进行优化，并将优化后的RBF网络模型确定为用户分类模型。

第四方面，本申请提供一种用户分类装置，包括：

获取模块，用于获取待分类用户的分类指标数据；