[发明专利]信息分类方法、装置、电子设备及可读存储介质

权利要求书

1.一种信息分类方法，其特征在于，所述方法包括：

获取用户历史信息集，利用预设字段将所述用户历史信息集划分为第一历史信息集与第二历史信息集；

利用所述第一历史信息集对预构建的深度学习模型进行训练，得到第一分类模型；

利用所述第一分类模型对所述第二历史信息集中的每个用户历史信息进行类别标签标记；

利用标签标记的所述第二历史信息集及所述第一历史信息集对所述深度学习模型进行训练，得到所述第二分类模型；

当接收待分类用户信息时，利用所述第二分类模型对所述待评估用户信息进行分类，得到多个分类类别的分类概率值；

根据所述分类概率值对所有所述分类类别进行筛选，得到分类结果。

2.如权利要求1所述的信息分类方法，其特征在于，所述利用预设字段将所述用户历史信息集划分为第一历史信息集与第二历史信息集，包括：

选取所述用户历史信息集中预设字段的值不为空值的所有用户历史信息，并将所述预设字段的值作为对应用户历史信息的类别标签，得到所述第一历史信息集；

选取所述用户历史信息集中预设字段的值为空值的所有用户历史信息，得到所述第二历史信息集。

3.如权利要求1所述的信息分类方法，其特征在于，所述利用所述第一分类模型对所述第二历史信息集中的每个用户历史信息进行类别标签标记，包括：

将所述第二历史信息集中每个所述的历史信息输入所述第一分类模型，得到多个类别的类别概率值；

选取每个所述用户历史信息的所有类别概率值中大于预设阈值的类别概率值，得到类别概率值集；

判断所述类别概率值集中的最大值的数量；

若所述最大值的数量不等于1，则将所述第二历史信息集中所述类别概率值集对应的所述用户历史信息删除；

若所述最大值的数量不等于1，那么将所述类别概率值集中的最大值对应的类别确定为对应的所述用户历史信息的类别标签。

4.如权利要求1所述的信息分类方法，其特征在于，所述利用标签标记的所述第二历史信息集及所述第一历史信息集对所述深度学习模型进行训练，得到所述第二分类模型，包括：

将标签标记的所述第二历史信息集与所述第一历史信息集进行合并，得到更新后的第一历史信息集；

利用所述更新后的第一历史信息集对所述深度学习模型进行训练，得到所述第二分类模型。

5.如权利要求1所述的信息分类方法，其特征在于，所述利用所述第一历史信息集对预构建的深度学习模型进行训练之前，所述方法还包括：

获取深度神经网络框架；

在所述深度神经网络框架中构建特征输入层；

在所述特征输入层后构建权重初始化层；

在所述特征输入层之后建立多层全连接层；

在所述多层全连接层之间构建批标准化层以及丢弃层；

在所述多层全连接层后构建决策输出层，得到所述深度学习模型。

6.如权利要求1所述的信息分类方法，其特征在于，所述利用所述第一历史信息集对预构建的深度学习模型进行训练之前，所述方法还包括：

选取所述第一历史信息集中的用户历史信息输入所述深度学习模型，提取所述深度学习模型中决策输出层的输出值，得到分类预测值；

根据所述第一历史信息集中的每个所述用户历史信息类别标签确定分类真实值；

根据所述分类真实值与所述分类预测值对预设的损失函数进行计算，得到损失值；

当所述损失值大于或等于预设损失阈值时，根据所述损失值调整所述深度学习模型的模型参数，并返回所述选取所述第一历史信息集中的用户历史信息输入所述深度学习模型步骤；

当所述损失值小于预设损失阈值时，停止训练，输出所述深度学习模型，得到所述分类模型。