[发明专利]有序分类标签确定方法、装置、电子设备及存储介质

权利要求书

1.一种有序分类标签确定方法，其特征在于，

获取用户的特征信息，所述特征信息用于确定所述用户的有序分类标签；

将所述特征信息输入有序分类神经网络模型，所述有序分类神经网络模型用于根据所述有序分类标签的等级关系和所述有序分类标签的等级关系所衍生的层次包含关系，确定所述用户在所述有序分类标签的等级概率；

利用所述用户在所述有序分类标签的等级概率，确定所述用户的所述有序分类标签。

2.根据权利要求1所述的方法，其特征在于，在所述将所述特征信息输入有序分类神经网络模型之前，还包括：

利用所述有序分类标签的等级关系，衍生所述有序分类标签的层次包含关系；

解析所述等级关系与所述层次包含关系的概率运算逻辑，并利用所述概率运算逻辑搭建神经网络结构；

对所述神经网络结构进行训练，生成所述有序分类神经网络模型。

3.根据权利要求2所述的方法，其特征在于，所述神经网络结构包括特征部和预测部，

所述特征部用于确定各第一任务之间的个性特征，所述预测部用于利用所述个性特征和各第二任务之间的概率运算逻辑关系，确定所述有序分类标签的等级概率，所述第一任务用于确定所述有序分类标签的层次包含概率，所述第二任务用于确定所述有序分类标签的等级概率。

4.根据权利要求3所述的方法，其特征在于，所述特征部包括共享特征层和个性特征层，所述利用所述概率运算逻辑搭建神经网络结构，包括：

利用各第一任务之间的共享特征，搭建所述神经网络结构的共享特征层；利用各第一任务之间的个性特征，搭建所述神经网络结构的个性特征层；利用所述第一任务和第二任务之间的概率运算逻辑关系，搭建所述神经网络结构的预测部，得到所述神经网络结构。

5.根据权利要求4所述的方法，其特征在于，所述共享特征层包括嵌入向量层、特征筛选层和拼接层，

所述嵌入向量层用于生成所述特征信息的嵌入向量；所述特征筛选层用于对所述嵌入向量进行线性变换，确定所述嵌入向量的线性变换值，并利用非线性函数对所述线性变换值进行映射，过滤线性变换值为负的嵌入向量；所述拼接层用于对过滤后的所述嵌入向量进行拼接，得到各第一任务的之间的共享特征。

6.根据权利要求3-5任一项所述的方法，其特征在于，所述对所述神经网络结构进行训练，生成所述有序分类神经网络模型，包括：

获取训练样本；

基于所述训练样本，利用第一损失函数调整所述神经网络结构的网络参数，以得到所述有序分类神经网络模型。

7.根据权利要求6所述的方法，其特征在于，所述第一损失函数为：

其中，loss1表示第一损失函数，M表示有序分类标签的最大等级，k表示有序分类标签的等级，W_k表示训练样本为k等级的权重，Y_k表示训练样本的实际等级是否为k，Y_k取值0或1；P_k表示为训练样本的等级为k的预测概率。

8.根据权利要求4或5所述的方法，其特征在于，所述对所述神经网络结构进行训练，生成所述有序分类神经网络模型，包括：获取训练样本，所述训练样本包括用户的等级标签和层次包含标签；

基于所述层次包含标签，利用第二损失函数训练所述神经网络结构，确定所述共享特征层的共享特征参数；

基于所述层次包含标签，利用第三损失函数训练所述神经网络结构，确定所述个性特征层的个性特征参数；

基于所述等级标签，利用第一损失函数训练所述神经网络结构，确定所述预测部的预测参数。