“庄跃生”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果5个，建议您升级VIP下载更多相关专利

[发明专利]特征选择方法、装置、电子设备及存储介质-CN202310212537.3在审
发明人：苏培煌;庄跃生;黄二明 -专利权人：中国建设银行股份有限公司;建信金融科技有限责任公司
申请日： 2023-02-27 - 公布日： 2023-09-22 - 主分类号： G06F18/211 文献下载
摘要：本公开提供一种特征选择方法、装置、电子设备及存储介质，可以应用于人工智能和大数据技术领域。其中，方法包括：获取原始数据集，其中，原始数据集中包括用户的特征；对原始数据集中的特征进行多因素方差分析，得到至少一个候选数据集；其中，候选数据集中包括至少一个候选特征；根据候选特征与结果标签的相关系数以及候选特征的重要性值，确定包括目标特征的目标数据集。由此，能够结合不同特征组合的不同表现，以及特征之间的相互影响，快速有效的选择特征，并且还可以使利用得到的目标数据集训练模型时，缩短训练时间减少内存。
特征选择方法装置电子设备存储介质

[发明专利]一种数据处理方法、装置、设备及存储介质-CN202310149652.0在审
发明人：陈艳琳;郑燕瑜;庄跃生;马超辰 -专利权人：中国建设银行股份有限公司;建信金融科技有限责任公司
申请日： 2023-02-16 - 公布日： 2023-06-06 - 主分类号： G06Q10/0631 文献下载
摘要：本申请公开了一种数据处理方法、装置、设备及存储介质，涉及大数据通信技术领域。其方法包括：获取目标客户的客户信息，目标客户为有国际业务需求的客户；获取网点集群中各网点的网点信息，网点信息包括网点类型、网点业务负载量及各网点中客户经理类型；基于各网点的网点类型、业务负载量及各客户经理类型，对各网点进行评分，得到各网点的评分值；将目标客户的客户信息发送至第一目标网点，第一目标网点为网点集群中具有最高评分值的网点。根据本申请实施例，能够提升网点集群的承载力，从而提升金融机构在国际业务方面的竞争能力。
一种数据处理方法装置设备存储介质

[发明专利]基于软件开发的数据处理方法、装置、设备、介质及产品-CN202310141196.5在审
发明人：马超辰;庄跃生;林振 -专利权人：中国建设银行股份有限公司;建信金融科技有限责任公司
申请日： 2023-02-16 - 公布日： 2023-05-02 - 主分类号： G06Q10/0631 文献下载
摘要：本发明公开了基于软件开发的数据处理方法、装置、设备、介质及产品。本发明涉及人工智能技术领域。该方法包括：将目标软件开发项目对应的开发需求信息和候选人员信息输入至预设任务安排模型中，并根据模型的输出确定目标软件开发项目对应的任务安排信息，根据任务安排信息确定拟分配人员，以及各拟分配人员分别对应的初始任务分配信息，对于每个拟分配人员，将当前拟分配人员对应的初始任务分配信息和当前拟分配人员对应的人员信息输入至预设评估模型中，并根据模型的输出确定当前拟分配人员对应的评估信息，根据评估信息确定目标分配人员以及目标分配人员对应的目标任务分配信息。通过采用上述技术方案，可以有效提升任务分配的效率以及准确度。
基于软件开发数据处理方法装置设备介质产品

[发明专利]一种产品的推荐方法、装置、电子设备及其存储介质-CN202211370582.3在审
发明人：苏培煌;吴美琴;黄二明;庄跃生 -专利权人：中国建设银行股份有限公司;建信金融科技有限责任公司
申请日： 2022-11-03 - 公布日： 2023-01-24 - 主分类号： G06F16/9535 文献下载
摘要：本发明公开了一种产品的推荐方法、装置、电子设备及其存储介质。方法包含：获取交易对象的对象信息、多个候选产品的产品信息和交易对象与产品的交互信息；对交易对象的对象信息、多个候选产品的产品信息和交易对象与产品的交互信息进行特征提取，得到目标特征信息；获取交易对象对各候选产品的关注权重，并基于各候选产品对应的关注权重和目标特征信息确定推荐结果。本发明采用改进的PNN网络结合注意力机制，与传统机器学习FFM算法进行融合得到推荐结果，并对推荐结果加入权重策略，获取最终的目标推荐结果，使得推荐出来的产品更能够满足客户的需求。
一种产品推荐方法装置电子设备及其存储介质

[发明专利]一种针对在线预测任务的GBDT学习方法-CN202011187707.X有效
发明人：林志贤;庄跃生;张永爱;周雄图;林珊玲 -专利权人：福州大学
申请日： 2020-10-30 - 公布日： 2022-07-15 - 主分类号： G06N3/08 文献下载
摘要：本发明涉及一种针对在线预测任务的GBDT学习方法，筛选符合决策树模型训练的数据特征，并输入单棵决策树中训练，对决策树模型的超参数进行微调，根据分类准确率得出最佳超参数，再重新训练决策树模型聚类输出对应的叶子索引；利用两层全连接层将高维稀疏的叶子索引向量嵌入成低维密集向量，再利用深度神经网络拟合低维密集向量，从而完成单棵决策树模型蒸馏为神经网络的过程；最后将GBDT多棵决策树随机划分多组，每组决策树输出的叶子索引向量进行拼接，同组决策树用相同神经网络拟合拼接后叶子索引的低维密集向量，重复多组树的训练，使GBDT完整蒸馏构造为神经网络。本发明能够改善GBDT树模型对表格数据空间的训练学习效果，又能保持高效在线更新能力。
一种针对在线预测任务 gbdt 学习方法