信息分类方法、装置、电子设备及可读存储介质与流程

1.本发明涉及人工智能技术，尤其涉及一种信息分类方法、装置、电子设备及可读存储介质。


背景技术：

2.随着经济的发展，用户对各种服务的品质要求越来越高，为了更好地为用户进行服务，提高服务的品质与效率，需要对用户的信息进行分类，根据分类结果对用户进行个性化服务，如：推荐适合用户的保险。
3.但是，目前的信息分类方法直接利用标签标注的数据进行模型训练，利用训练后的模型对待分类信息进行信息分类，由于标注数据获取困难，导致模型性能较差，信息分类的准确率不高。


技术实现要素：

4.本发明提供一种信息分类方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高信息分类的准确度。
5.为实现上述目的，本发明提供的一种信息分类方法，包括：
6.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；
7.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；
8.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；
9.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；
10.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；
11.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。
12.可选地，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：
13.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；
14.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。
15.可选地，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：
16.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；
17.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；
18.判断所述类别概率值集中的最大值的数量；
19.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；
20.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。
21.可选地，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：
22.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；
23.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。
24.可选地，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：
25.获取深度神经网络框架；
26.在所述深度神经网络框架中构建特征输入层；
27.在所述特征输入层后构建权重初始化层；
28.在所述特征输入层之后建立多层全连接层；
29.在所述多层全连接层之间构建批标准化层以及丢弃层；
30.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。
31.可选地，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：
32.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；
33.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；
34.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；
35.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；
36.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。
37.可选地，所述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，包括：
38.判断是否存在所述分类概率值大于预设阈值；
39.若存在所述分类概率值大于预设阈值，选取大于预设阈值的分类概率值，得到分类概率值集；
40.选取所述分类概率值集中的最大值，得到目标概率值；
41.将所述目标概率值对应的分类类别作为所述分类结果；
42.若不存在所述分类概率值大于预设阈值，将所有所述分类概率值发送至预设的终端设备。
43.为了解决上述问题，本发明还提供一种信息分类装置，所述装置包括：
44.数据划分模块，用于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；
45.模型训练模块，用于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；
46.信息分类模块，用于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。
47.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
48.存储器，存储至少一个计算机程序；及
49.处理器，执行所述存储器中存储的计算机程序以实现上述所述的信息分类方法。
50.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的信息分类方法。
51.本发明实施例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，利用模型对没有标签标注的数据进行标注，再将标注后的数据结合原有的数据对模型重新训练，提高了模型的性能，从而提高了信息分类的准确率；因此本发明实施例提出的信息分类方法、装置、电子设备及可读存储介质提高了信息分类的准确率。
附图说明
52.图1为本发明一实施例提供的信息分类方法的流程示意图；
53.图2为本发明一实施例提供的信息分类装置的模块示意图；
54.图3为本发明一实施例提供的实现信息分类方法的电子设备的内部结构示意图；
55.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
56.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
57.本发明实施例提供一种信息分类方法。所述信息分类方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述信息分类方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服
务器或云端服务器集群等，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
58.参照图1所示的本发明一实施例提供的信息分类方法的流程示意图，在本发明实施例中，所述信息分类方法包括：
59.s1、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；
60.详细地，本发明实施例中，所述用户历史信息集为不同用户历史信息的集合，所述用户历史信息包括：用户年龄、用户类型、用户性别、用户所属地区、是否转介绍、是否微信用户、微信是否关注公众号、是否一人多车、是否下载好车主软件、近一个月好车主活跃天数、近两个月好车主活跃天数、行驶证类型，车牌种类、车身颜色、车型、车型上市时间、车辆座位数、排气量、是否改装、是否新能源车、车辆价值、车系、当年累计出险次数、去年出险次数、历史出险次数、生产资源类型、最大续保年数、在司保单总数、车险订单费用，是否承保商业险，用户类别等用户特征，其中，所述用户历史信息中其他用户特征为客观特征，但是所述用户类别特征为主观特征，所述用户类别包括：优质出险用户、优质续保用户、优质保费用户、普通用户，需要经验丰富的工作人员划分标注，所述用户历史信息并不都有对应的用户类别特征，因此需要对所述用户历史信息集进行划分。
61.详细地，本发明实施例中利用预设的字段将所述用户历史信息集划分为第一历史信息集和第二历史信息集，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；其中，所述预设字段为用户类别字段。
62.例如：用户历史信息中用户类别字段对应的值为“普通用户”，那么该用户历史信息对应的类别标签为“普通用户”。
63.可选地，本发明实施例中所述用户历史信息可以存储在区块链节点中，根据区块链节点高吞吐的特性，提高数据的取用效率。
64.s2、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；
65.详细地，本发明实施例中所述深度学习模型可以为人工智能模型，所述深度学习构建时采用多层全连接层的结构，以增强网络对数据的表达能力，提高网络的复杂度，进而提高后续利用网络进行业务分配的精确度。
66.本发明实施例中，所述利用所述第一历史信息集对预先构建的深度学习模型进行训练之前，所述方法还包括：
67.获取深度神经网络框架；
68.在所述深度神经网络框架中构建特征输入层；
69.在所述特征输入层后构建权重初始化层；
70.在所述特征输入层之后建立多层全连接层；
71.在所述多层全连接层之间构建批标准化层以及丢弃层；
72.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。
73.详细地，所述深度神经网络框架可由用户预先给定，并通过java、python等计算机语言在所述深度神经网络框架中编写不同网络层次对应的函数，以实现对特征输入层、权重初始化层、全连接层、批标准化层、丢弃层及决策输出层的构建。
74.进一步地，利用所述第一历史信息集对预先构建的深度学习模型进行训练时，利用所述输入层将所述第一历史信息集进行特征划分得到不同的初始数据特征进行模型输入，所述权重初始化层为输入的初始数据特征设置不同的权重，所述全连接层对设置权重的初始数据特征进行特征提取，得到数据特征，利用决策输出层选择最后一层全连接层提取的数据特征利用预设的激活函数进行计算，从而得到对不同类别的预测概率，所述批标准化层集所述丢弃层用来对所述全连接层进行参数调整。
75.具体地，所述特征输入层用于对输入的数据进行数据划分。
76.所述全连接层用于对特征输入层输入的数据特征按照预设权重进行表达及分析，以更好的显示出特征之间的隐藏关系，进而获取对训练数据的训练结果；其中，多层全连接层的结构有利于增加网络的复杂度，以提高网络输出的训练结果的精确度，且多层全连接层中包含模型的输出层，用于对模型模型分析的结果进行输出。
77.例如，当利用第一历史信息集对深度学习进行训练时，全连接层用于对第一历史信息集的数据特征进行表达及分析，并利用多层全连接层后的决策输出层选择最后一层全连接层提取表达的数据特征利用预设的激活函数进行计算，从而得到对不同类别的预测概率。
78.所述批标准化层用于将全连接层表达的数据特征进行标准化，以解决网络训练过程中出现的梯度消失问题，并能够对全连接层按照预设权重表达的数据特征进行权重调整，以优化网络的梯度流。
79.所述丢弃层即dropout层，可实现将全连接层表达的数据特征按照预设的概率参数进行暂时丢弃，以防止在训练数据较少时，网络出现过拟合的状态。本发明其中一个实施例中，所述深度学习包括8层网络结构，第一层为特征输入层，第二层为权重初始化层，第三层为包含64个神经元的全连接层，第四层为批标准化层，第五层为丢弃层，第六层为包含32个神经元的全连接层，第七层为包含16个神经元的全连接层，第七层为包含1个神经元的全连接层(输出层)，其中，第三层、第六层采用relu函数作为激活函数，第七层采用sigmoid函数作为激活函数，丢弃层的概率参数为0.3。
80.其中，决策输出层的输出节点按照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的类别设定，如：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的类别中共有：优质出险用户、优质续保用户、优质保费用户、普通用户，共4种类别，那么可以设定决策输出层共有4个输出节点，其中，第一个输出节点对应优质出险用户类别，第二个输出节点对应优质续保用户类别，第三个节点对应优质保费用户类别，第四个节点对应普通用户类别。
81.本发明实施例中，所述利用所述第一历史信息集对预先构建的深度学习模型进行训练，得到第一分类模型，包括：
82.步骤i、利用所述第一历史信息集中的每个所述用户历史信息对所述深度学习模型进行训练，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；
83.步骤ii、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；
84.步骤iii、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；
85.可选地，本发明实施例中，所述损失函数为交叉熵损失函数。
86.步骤iv、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，并返回步骤i；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。
87.本发明其中一个实施例中，根据所述损失值调整所述深度学习模型的模型参数时，可采用预设优化算法对所述对抗生成网络的参数进行调节，所述预设优化算法包括但不限于：批量梯度下降算法、小批量梯度下降算法、随机梯度下降算法。
88.例如，将所述深度学习模型的当前参数输入至所述优化算法中，利用所述优化算法对输入的当前参数进行优化计算，以获取优化后的优化参数，利用所述优化参数对所述对抗生成网络的当前参数进行更新，以实现对所述对抗生成网络中参数的调整。
89.本发明实施例中，所述根据所述损失值对所述深度学习的参数进行调整，包括：
90.根据所述所述损失值，利用预设优化算法计算所述深度学习模型中参数的更新梯度；
91.根据所述更新梯度对所述深度学习模型的参数进行更新。
92.在根据所述更新梯度对所述当前参数进行更新时，可利用所述深度学习模型中参数与更新梯度进行预设的算数运算。
93.例如，当前参数为10，利用预设的优化算法对所述深度学习中参数进行计算，得到所述参数的更新梯度为0.1，可根据所述更新梯度0.1将所述参数进行更新为10(1 0.1)＝11；
94.或者，可根据所述更新梯度0.1将所述参数进行更新为10 0.1＝10.1。
95.s3、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；
96.详细地，本发明实施例中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；由于所述第一分类模型是利用第一历史信息集训练得到的，因此，所述类别与所述第一历史信息集中对应的用户类别标签一致，共包含：优质出险用户、优质续保用户、优质保费用户、普通用户，共4种类别。
97.进一步地，本发明实施例中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对应的所述用户历史信息删除，本发明实施例若所述最大值的数据不等于1，则说明对应的用户历史信息的类别特征不明显，无法帮助模型学习对应的类别特征，因此将对应的所述用户历史信息删除；若所述最大值的数量等于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类别标签。
98.s4、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；
99.详细地，本发明实施例中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，利用更新后的第一历史信息集对所述深度学习模型进行训练，具体训练过程与s3一致，在此不在赘述。
100.s5、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；
101.详细地，本发明实施例中所述待分类用户信息为与所述第二历史信息集中的历史信息类型相同内容不同的未分类的用户数据。
102.进一步地，本发明实施例中将所述待分类用户信息输入所述第二分类模型，得到多个分类类别的分类概率值。
103.详细地，本发明实施例中所述第二分类模型是通过所述深度学习模型训练得到的，所述第二分类模型与所述深度学习模型的结构相同，因此，本发明实施例将所述待分类用户信息输入所述第二分类模型，提取所述第二分类模型中决策输出层每个输出节点的输出值，得到对应分类类别的分类概率值，每个输出节点对应的分类类别在构建深度学习模型时根据所述第一历史信息集中对应的用户类别标签提前设定，因此，根据设定输出节点与分类类别的对应关系，将输出节点的输出值作为对应分类类别的分类概率值。
104.如：s2中深度学习模型决策输出层中设定的第一输出节点对应的类别为优质出险用户类别，那么将所述待分类用户信息输入所述第二分类模型，提取所述第二分类模型中决策输出层中第一个输出节点的输出值为优质出险用户类别对应的分类概率值。
105.s6、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。
106.详细地，本发明实施例中判断是否存在所述分类概率值大于预设阈值；若存在所述分类概率值大于预设阈值，选取大于预设阈值的分类概率值，得到分类概率值集；选取所述分类概率值集中的最大值，得到目标概率值；将所述目标概率值对应的所述预设类别作为所述分类结果，若不存在所述分类概率值大于预设阈值，所述所有所述分类概率值发送至预设的终端设备，所述终端设备为业务人员的终端设备，包括：手机、电脑、平板等。
107.具体地，本发明实施例中选取所述分类概率值集中的最大值时可能存在多个最大值的情况，因此，本发明实施例当所述分类概率值集中存在多个最大值时，任意选取所述分类概率值集中的一个最大值，得到所述目标概率值。
108.如图2所示，是本发明信息分类装置的功能模块图。
109.本发明所述信息分类装置100可以安装于电子设备中。根据实现的功能，所述信息分类装置可以包括数据划分模块101、模型训练模块102、信息分类模块103，本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
110.在本实施例中，关于各模块/单元的功能如下：
111.所述数据划分模块101用于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；
112.所述模型训练模块102用于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；
113.所述信息分类模块103用于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。
114.详细地，本发明实施例中所述信息分类装置100中所述的各模块在使用时采用与上述图1中所述的信息分类方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
115.如图2所示，是本发明实现信息分类方法的电子设备的结构示意图。
116.所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如信息分类程序。
117.其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如信息分类程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
118.所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如信息分类程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
119.所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
120.图2仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
121.例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi
‑
fi模块等，在此不再赘述。
122.可选地，所述通信接口13可以包括有线接口和/或无线接口(如wi
‑
fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
123.可选地，所述通信接口13还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light
‑
emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
124.应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
125.所述电子设备中的所述存储器11存储的信息分类程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
126.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；
127.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；
128.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；
129.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；
130.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；
131.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。
132.具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
133.进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的，也可以是易失性的。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read
‑
only memory)。
134.本发明实施例还可以提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
135.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；
136.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；
137.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；
138.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；
139.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；
140.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。
141.进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
142.在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
143.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
144.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
145.另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
146.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
147.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
148.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
149.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
150.最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。