CN112883990B 数据分类方法及装置、计算机存储介质、电子设备 （京东安联财产保险有限公司）

路5号广州国际金融中心主塔写字楼该数据包括用户数据和/或产品数据，该方法包述待检测数据和所述已标记样本数据形成待检关联信息和所述已标记样本数据的类别信息确2获取待检测数据和已标记样本数据，根据所述待检测数据和所述第一类型已标记样本数据与所述第二类型已标记样本数据类通过孪生神经网络分别对所述待检测数据对进行特征提取，以获取所述获取与第一类型已标记样本数据对应的具有所述第一关联信息的第一样本对数量以获取与第二类型已标记样本数据对应的具有所述第一关联信息的第三样本对数量以根据所述第一样本对数量、第二样本对数量、第三样本对数量和所述待检测数据的类别。检测数据对进行特征提取，以获取所述待检测数据与所述已标记样本数据之间的关联信将所述待检测数据输入至所述第一分支结构，通过所述第一卷积层将所述已标记样本数据输入至所述第二分支结构，通过所述第二连接层依次对所述已标记样本数据进行特征提取，以获取所述已标记样本数据的特征信将所述待检测数据的特征信息和所述已标记样本数据的特征信息输入至所述相似度计算层，通过所述相似度计算层确定所述待检测数据和所述已标记样本数据之间的相似若所述相似度大于或等于所述第一阈值，则判定所述待检3若所述相似度小于所述第一阈值，则判定所述待检测数据与所述对所述第一样本对数量和所述第四样本对数量进行求和运算，并对所述第二样本对数量和所述第三样本对数量进行求和运算，根据所述第一类型数据的概率和所述第二类型数据的概率确定所述待检测数据的类根据所述正样本和所述负样本生成训练样本对，并确定与所述训练将所述训练样本对输入至待训练孪生神经网络，根据所述训练样本对根据所述正样本和所述负样本建立相似度矩阵，所述相似度矩阵的将所述样本相似度从大到小排列形成序列，在所述序列中依次选取预设根据所述目标正样本和所述目标负样本形成所述9.根据权利要求6或8所述的数据分类方法，其特征在将所述训练样本对输入至所述待训练孪生神经网络，通过所述待训根据所述预测关联信息和所述关联信息样本确定损失函获取数据模块，用于获取待检测数据和已标记样本数据，4述第二类型已标记样本数据为有保险欺诈行为的用户数据或无保险欺诈行为的用户数据提取信息模块，用于通过孪生神经网络对所述待检测数据对进行特征提确定类别模块，用于根据所述关联信息和所述已标记样本数据本数据对应的具有所述第一关联信息的第三样本对数量以及具有所述第二关联信息的第数量确定所述待检测数据的类别。器执行时实现如权利要求1至9中任一项所存储装置，用于存储一个或多个程序，当所述一个或多个程序被器执行时，使得所述一个或多个处理器实现如权利要求1至9中任一项所述的数据分类方5所述已标记样本数据的类别信息确定所述待检测数据的类别。6已标记样本数据对应的具有所述第一关联信息的第三样本对数量以及具有所述第二关联数据的概率确定所述待检测数据的类别。[0016]在本公开的一些示例性实施例中，根据所述正样本和所述负样本生成训练样本[0017]在本公开的一些示例性实施例中，将所述训练样本对输入至待训练孪生神经网7生神经网络对所述训练样本对进行特征提取，以获取所述训练样本对对应的样本相似度，对所述训练样本对中的第二训练样本进行特征提取，以获取所述第二训练样本的特征信本的特征信息计算所述训练样本对之间的样本相[0021]在本公开的一些示例性实施例中，根据所述样本相似度个训练样本是否属于同类别，并根据判断结果确定与所述训练样本对对应的预测关联信8述程序被处理器执行时实现如上述实施例中所述的得所述一个或多个处理器实现如上述实施例中所述将其输入孪生神经网络，利用孪生神经网络对待检测数据和已标记样本数据进行特征提[0029]本公开应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性[0034]图4示意性示出了根据本公开的一实施例的确定待检测数据的类别的流程示意[0036]图6示意性示出了根据本公开的一实施例的对待训练孪生神经网络进行训练的流9本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，[0042]附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对[0044]对用户数据和/或产品数据进行分析，可以更好的对不同用户自适应制定相应的[0048]基于相关技术中存在的问题，在本公开的一个实施例中提出了一种数据分类方[0051]步骤S130：根据该关联信息和已标记样本数据的类别信息确定待检测数据的类[0052]本公开实施例中的数据分类方法一方面将孪生神经网络待检测数据和已标记样本数据进行组合的方式可以为任意方式，本公开对此不做具体限[0061]在本公开的示例性实施例中，图2示意性示出了孪生神经网数据和已标记样本数据之间的关联信息可以包括待检测数据和已标记样本数据之间的属于同类别还是不同类别。通过关联信息确定层204根据相似度确定关联信息，具体可以包保险欺诈行为的用户数据时，则第二类型已标记样本数据为无保险欺诈行为的用户数据；[0072]在本公开的示例性实施例中，图4示意性示出了确定待检测数据的类别的流程示第二关联信息分别是待检测数据与该第一类型已标记样本数据属于同类别或待检测数据于不同类别时，则该第二关联信息是待检测数据与该第一类型已标记样本数据属于同类样本数据对应的关联信息和与该关联信息对应的样本对数量。通过孪生神经网络200进行类别的数量为60，待检测数据A和100条有保险欺诈行为的用户数据为不同类别的数量为100条无保险欺诈行为的用户数据为不同类别的数量为70。进一步对该结果进行概率统计得出：待检测数据A为有保险欺诈行为的用户数据的概率为(60+70)/200＝65待检测数连接层512、待训练相似度计算层503和待训练关联信息确定层504，待训练第二分支结构全连接层512与待训练第二全连接层522共二训练样本的特征信息计算训练样本对之间过待训练孪生神经网络500生成与训练样本对对应的样本相似度之后，还可以根据样本相[0100]提取信息模块702，用于通过孪生神经网络200分别对待检测数据对进行特征提[0101]确定类别模块703，用于根据关联信息和已标记样本数据的类别信息确定待检测[0102]上述各数据分类装置的具体细节已经在对应的数据分类方法中进行了详细的描[0103]应当注意，尽管在上文详细描述中提及了用于执行的设者单元的特征和功能可以进一步划分为由多个模块或[0106]下面参照图8来描述根据本发明的这种实施方式的电子设备800。图8显示的电子[0108]其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执检测数据的类别。[0109]存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元[0110]存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具[0111]总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储[0115]参考图9所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品[0119]可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序[0120]此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域