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.随着信息社会的到来，信息爆炸式的增加，信息分类也变得越来越受人们重视，例如：保险业务中需要从众多订单信息中识别高风险用户的订单信息，降低保险公司投入风险。
3.但是，现有的信息分类方法通常都关注于容易处理的数值类特征，而对于字符型特征如性别、职业、城市名等，往往会直接忽略掉或者采用简单的数字编号代替，导致信息特征维度单一，从而导致信息分类的准确率低。


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率。
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.获取待识别用户信息，将所述待识别用户信息划分为数值型用户信息及字符型用户信息；
7.将所述数值型用户信息进行归一化及向量构建处理，得到用户数值特征向量；
8.获取所述字符型用户信息中的所有用户特征，将所述用户特征进行组合，得到用户字符特征文本；
9.对所述用户字符特征文本进行分词处理，得到特征词语集；
10.根据所述特征词语集中每个特征词语在所述用户字符特征文本中的位置，对每个特征词语进行位置向量转化，得到位置向量集；
11.将所述用户数值特征向量与所述位置向量集中的每个位置向量融合，得到融合向量集；
12.对所述融合向量集中的所有融合向量进行累加，得到累加向量；
13.利用预构建的分类模型对所述累加向量进行分类识别，得到分类结果。
14.可选地，所述将所述数值型用户信息进行归一化及向量构建处理，得到用户数值特征向量，得到用户数值特征向量，包括：
15.获取所述数值型用户信息中的每个用户特征，得到用户数值特征值；
16.将每个所述用户数值特征值进行归一化，得到特征标准值；
17.将所有所述特征标准值组合为预设维度的向量，得到所述用户数值特征向量。
18.可选地，所述根据所述特征词语集中每个特征词语在所述用户字符特征文本中的位置，对每个特征词语进行位置向量转化，得到位置向量集，包括：
19.根据所述特征词语集中每个特征词语在所述用户字符特征文本中先后顺序进行
组合，得到组合词语集；
20.根据预设的位置截断数，截断所述组合词语集得到截断词语集；
21.将所述截断词语集作为预构建的word2vec模型的词袋，利用所述word2vec模型及所述词袋，对每个所述特征词语执行位置向量转化，得到所述位置向量集。
22.可选地，所述根据预设的位置截断数，截断所述组合词语集得到截断词语集，包括：
23.从所述组合词语集选择其中一个组合词语；
24.判断在所述组合词语的左边的总词语个数及右边的总词语个数，是否均大于所述位置截断数；
25.当所述左边的总词语个数或所述右边的总词语个数，存在小于所述位置截断数时，利用预设的填补符号执行填补操作，直到所述左边的总词语个数及所述右边的总词语个数均大于所述位置截断数时，分别从所述组合词语的左边及右边截取与所述位置截断数相同数量的词语，得到截断词语，并汇总每个截断词语及选择的所述组合词语，得到所述截断词语集。
26.可选地，所述利用所述word2vec模型及所述词袋，对每个所述特征词语执行位置向量转化，得到所述位置向量集，包括：
27.利用所述word2vec模型将所述词袋中每个截断词语进行向量化，得到词袋特征向量；
28.将每个所述词袋对应的所有词袋特征向量进行拼接得到位置向量；
29.汇总所有所述位置向量，得到所述位置向量集。
30.可选地，所述将所述用户数值特征向量与所述位置向量集中的每个位置向量融合，得到融合向量集，包括：
31.将每个所述位置向量与所述用户特征向量，按照维度交叉的方法融合得到融合向量；
32.计算所述位置向量对应的所述特征词语在用户字符特征文本中的位置，得到向量位置；
33.根据所述向量位置将每个所述位置向量对应的融合向量依次组合，得到所述融合向量集。
34.可选地，所述利用预构建的分类模型对所述累加向量进行分类识别，得到分类结果，包括：
35.利用所述分类模型对所述累加向量进行分类识别，得到分类概率值；
36.判断所述分类概率值是否小于预设分类阈值，若所述分类概率值大于或等于预设的分类阈值，则分类结果为高风险信息；
37.若所述分类概率值小于所述分类阈值，则所述分类结果为低风险信息。
38.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：
39.特征转换模块，用于获取待识别用户信息，将所述待识别用户信息划分为数值型用户信息及字符型用户信息；将所述数值型用户信息进行归一化及向量构建处理，得到用户数值特征向量，得到用户数值特征向量；获取所述字符型用户信息中的所有用户特征进行组合，得到用户字符特征文本；对所述用户字符特征文本进行分词处理，得到特征词语
集；根据所述特征词语集中每个特征词语在所述用户字符特征文本中的位置，对每个特征词语进行位置向量转化，得到位置向量集；
40.特征融合模块，用于将所述用户数值特征向量与所述位置向量集中的每个位置向量融合，得到融合向量集；对所述融合向量集中的所有融合向量进行累加，得到累加向量；
41.信息分类模块，用于利用预构建的分类模型对所述累加向量进行分类识别，得到分类结果。
42.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：
43.存储器，存储至少一个计算机程序；及
44.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。
45.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。
46.本发明实施例将所述用户数值特征向量与所述位置向量集中的每个位置向量融合，得到融合向量集；对所述融合向量集中的所有融合向量进行累加，得到累加向量；将数值信息与字符信息的特征进行融合，得到融合后的特征，特征维度更加多元，融合后的特征可以更准确的表示待分类信息的特征，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
47.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；
48.图2为本发明一实施例提供的信息分类方法中得到位置向量集的流程示意图；
49.图3为本发明一实施例提供的信息分类装置的模块示意图；
50.图4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；
51.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
52.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。
53.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。
54.参照图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：
55.s1、获取待识别用户信息，将所述待识别用户信息划分为数值型用户信息及字符型用户信息；
56.本发明实施例中所述待识别用户信息为需要进行风险识别的用户订单信息，如所述用户订单信息为用户购买保险的订单，那么所述待识别用户信息包括但不限于：用户性别、年龄、职业、城市、区域编号、客户编号、订单编号、保额、保费，保险类型、投保时间，进一步地，本发明实施例为了对不同类型的数据分类处理，按照预设的数据类型将所述待识别用户信息划分为数值型用户信息及字符型用户信息，其中,年龄、区域编号、客户编号、订单编号、保额、保费、投保时间等用数值表示的用户特征为数值型用户信息，用户性别、职业、城市、保险类型等用非数值表示的用户特征为字符型用户信息。
57.s2、将所述数值型用户信息进行归一化及向量构建处理，得到用户数值特征向量，得到用户数值特征向量；
58.详细地，本发明实施例中为了避免数据处理过程消耗过多计算资源，同时避免数据分布不均等问题，需要对所述数值型用户信息进行归一化处理，得到所述用户数值特征向量。
59.详细地，本发明实施例中对所述数值型用户信息进行归一化处理，并根据归一化处理的结果进行向量构建，得到用户数值特征向量，包括：
60.步骤i：获取所述数值型用户信息中的每个用户特征，得到用户数值特征值；
61.本发明实施例中每个所述数值型用户信息对应用户特征有一个或多个；例如：获取的用户特征为年龄：23，那么对应的用户数值特征值为23。
62.步骤ii：将每个所述用户数值特征值进行归一化，得到特征标准值；
63.可选地，本发明实施例可利用z
‑
score算法进行归一化。
64.步骤iii：将所有所述特征标准值组合为预设维度的向量，得到所述用户数值特征向量。
65.例如：预设维度为一维向量，那么可以将所有所述特征标准值纵向组合，得到所述用户数值特征向量。
66.s3、获取所述字符型用户信息中的所有用户特征进行组合，得到用户字符特征文本；
67.详细地，本发明实施例中获取所述字符型用户信息中每个用户特征，得到对应的用户特征文本；
68.例如：所述用户特征信息中用户性别特征为“男”，那么对应的用户特征文本为“男”，所述用户特征信息中用户地址特征为“广东省深圳市福田区xx街道592号”，那么对应的用户特征文本为“广东省深圳市福田区xx街道592号”。
69.进一步地，本发明实施例中将所有所述用户特征文本按照对应的所述用户特征在预设的用户特征序列中的顺序进行组合，得到用户字符特征文本。
70.可选地，本发明实施例中所述用户特征序列为预构建的用户特征的序列，通过用户特征序列可以防止不同用户特征文本组合顺序发生变化，影响后续文本处理的结果。
71.本发明实施例中所述字符型用户信息可以存储在区块链节点中，利用区块链节点高吞吐的特性提高数据的取用效率。
72.s4、对所述用户字符特征文本进行分词处理，得到特征词语集；
73.详细地，本发明实施例中利用预设的分词词典对所述用户字符特征文本进行分词，得到所述特征词语集。
74.s5、根据所述特征词语集中每个特征词语在所述用户字符特征文本中的位置，对每个特征词语进行位置向量转化，得到位置向量集；
75.详细地，参阅图2所示，所述根据所述特征词语集中每个特征词语在所述用户字符特征文本中的位置，对每个特征词语进行位置向量转化，得到位置向量集，包括：
76.s51、根据所述特征词语集中每个特征词语在所述用户字符特征文本中先后顺序进行组合，得到组合词语集；
77.本发明实施例中，若对特征词语集中每个特征词语直接进行向量化操作，则会丧失每个特征词语在对应的用户字符特征文本的位置信息，容易造成授信评估准确率不高的现象，因此，本发明实施例将所述特征词语集中每个特征词语根据在所述用户字符特征文本中的先后顺序进行组合。
78.例如，特征词语集包括为“男”，“深圳”，“广东”，“程序员”等，“男”，“深圳”，“广东”，“程序员”等词语在所述用户字符特征文本中的先后顺序为“男”，“程序员”，“广东”，“深圳”，按照在用户字符特征文本中出现的先后顺序进行组合，得到组合词语集为[男，程序员，广东，深圳]等。
[0079]
s52、根据预设的位置截断数，截断所述组合词语集得到截断词语集；
[0080]
本发明实施例中，由于组合词语集数量庞大，若考虑每个特征词语在整个组合词语集的位置并执行位置向量化，容易造成计算崩塌，导致授信评估失败的现象发生，因此需依据位置截断数，从组合词语集中截取部分组合词语得到截断词语集，利用截断词语集对每个特征词语执行位置向量化。
[0081]
详细地，所述s52包括：
[0082]
从所述组合词语集选择其中一个组合词语；
[0083]
判断在所述组合词语的左边的总词语个数及右边的总词语个数，是否均大于所述位置截断数；
[0084]
当所述左边的总词语个数或所述右边的总词语个数，存在小于所述位置截断数时，利用预设的填补符号执行填补操作，直到所述左边的总词语个数及所述右边的总词语个数均大于所述位置截断数时，分别从所述组合词语的左边及右边截取与所述位置截断数相同数量的词语，得到截断词语，并汇总每个截断词语及选择的所述组合词语，得到所述截断词语集。
[0085]
如上述组合词语集为[男，程序员，广东，深圳]，若需对“程序员”执行位置向量化，且设置的位置截断数若为1，则“程序员”对应的截断词语集为[男，程序员，广东]。
[0086]
本发明实施例所述预设的填补符号可以为，如**、##等符号，如上述组合词语集[男，程序员，广东，深圳]，当单个组合词语为“程序员”，位置截断数为2时，则“程序员”的左边没有可供截断的词语，故利用预设符合填充，填充“融资”左边的词语，得到对应的截断词语集为[**，男，程序员，广东]。
[0087]
s53、将所述截断词语集作为预构建的word2vec模型的词袋，利用所述word2vec模型及所述词袋，对每个所述特征词语执行位置向量转化，得到所述位置向量集。
[0088]
详细地，本发明实施例使用word2vec方法并将所述截断词语集作为word2vec的词袋，对所述词袋中每个截断词语进行向量化得到词袋特征向量，并将词袋中的所有所述词袋特征向量进行拼接得到位置向量，汇总所有所述位置向量，得到所述位置向量集。
[0089]
s6、将所述用户数值特征向量与所述位置向量集中的每个位置向量融合，得到融合向量集；
[0090]
详细地，本发明实施例中所述用户数值特征向量表示所述数值型用户信息的特征，所述位置向量表示所述字符型用户信息的特征，为了更加准确的表达所述待识别用户信息的特征，需要将将所述用户数值特征向量与所述位置向量集中的每个位置向量融合。
[0091]
详细地，本发明实施例中，所述将所述用户数值特征向量与所述位置向量集中的每个位置向量融合，得到融合向量集，包括：
[0092]
将每个所述位置向量与所述用户特征向量，按照维度交叉的方法融合得到融合向量；计算所述位置向量对应的所述特征词语在用户字符特征文本中的位置，得到向量位置；根据所述向量位置将每个所述位置向量对应的融合向量依次组合，得到所述融合向量集。
[0093]
如所述用户特征向量为共四个维度，若对应的位置向量为共2个维度，则按照维度交叉的方法，得到的对应的融合向量为位置向量对应的所述特征词语在用户字符特征文本中的位置为第一个词语，那么对应的向量位置为1，那么将该位置向量对应的融合向量排在所述融合向量集中的第一位。
[0094]
本发明另一实施例中，还可以将每个所述位置向量与所述用户特征向量进行纵向拼接，得到融合向量；也可以将每个所述位置向量与所述用户特征向量进行多模态融合，得到融合向量。
[0095]
s7、对所述融合向量集中的所有融合向量进行累加，得到累加向量；
[0096]
可选地，本发明实施例利用如下公式累加所述融合向量集中的每个融合向量：
[0097][0098]
其中，x
ω
表示所述累加向量，c表示所述位置截断数，ω为所述特征词语集中的特征词语，context(ω)表示所述特征词语在所述用户字符特征文本的位置，v(context(ω)
i
)表示所述特征词语对应的融合向量。
[0099]
s8、利用预构建的分类模型对所述累加向量进行分类识别，得到分类结果。
[0100]
可选地，本发明实施例所述分类模型为人工智能模型，如：训练完成的huffman二叉树模型，所述huffman二叉树是一种通过位置向量集构建树节点，并利用每个树节点对位置向量集执行分类的过程中，优化huffman二叉树对应的损失值，使其损失值达到最小值的一种分类模型。
[0101]
详细地，本发明实施例中将利用所述累加向量输入所述分类模型，利用所述分类
模型对所述累加向量进行分类识别，得到分类概率值；判断所述分类概率值是否小于预设分类阈值，若所述分类概率值大于或等于预设的分类阈值，则分类结果为高风险信息；若所述分类概率值小于所述分类阈值，则所述分类结果为低风险信息。
[0102]
可选地，本发明实施例中所述分类阈值为0.5。
[0103]
具体地，本发明实施例中利用预构建的深度学习模型对所述累加向量进行分类识别，得到分类结果之前，所述方法还包括：
[0104]
步骤a：获取用户历史累加向量集，其中，所述用户历史累加向量集中的每个用户历史累加向量有对应的类别标签；
[0105]
可选地，本发明实施例中获取用户历史累加向量集，包括：
[0106]
获取用户历史信息集，其中所述用户历史信息集中的每个用户历史信息包括用户历史数值信息、用户历史字符信息及对应的类别标签；
[0107]
详细地，本发明实施例中所述用户历史信息为和所述待识别用户信息内容不同的用户历史订单信息；所述用户历史数值信息与所述数值型用户信息内容不同类型相同用户历史信息，所述用户历史字符信息为与所述用户信息内容不同类型相同的用户历史信息，所述类别标签为所述用户历史信息对应的风险等级包括：高风险、低风险。
[0108]
将所述用户历史数值信息进行归一化处理，并根据归一化处理的结果进行向量构建得到用户历史数值特征向量；
[0109]
获取所述用户历史字符信息中所有用户历史特征进行组合，得到用户历史字符特征文本；
[0110]
具体组合方式参见s3，在此不在赘述。
[0111]
对所述用户历史字符特征文本进行分词处理，得到用户历史特征词语集；
[0112]
根据所述用户历史特征词语集中每个用户历史特征词语在所述用户历史字符特征文本中的位置，对每个用户历史特征词语进行位置向量转化，得到用户历史位置向量集；
[0113]
将所述用户历史数值特征向量与对应的所述用户历史位置向量集中的每个用户历史位置向量融合，得到用户历史融合向量集；
[0114]
将所述用户历史融合向量集中的所有用户历史融合向量进行累加，得到所述用户历史累加向量，汇总所述用户历史累加向量，得到所述用户历史累加向量集。
[0115]
步骤b：利用预构建的huffman二叉树对所述历史累加向量进行分类预测，得到分类预测值；
[0116]
详细地，本发明实施例中将所述历史累加向量输入所述huffman二叉树，得到对应的所述分类预测值。
[0117]
步骤c：根据所述历史累加向量对应的类别标签确认分类真实值；
[0118]
例如：所述用户历史累加向量对应的类别标签为高风险，那么对应的分类真实值为1；所述用户历史累加向量对应的类别标签为低风险，那么对应的分类真实值为0。
[0119]
步骤d：根据所述分类预测值与所述分类真实值利用预设的损失函数进行计算，得到损失值；
[0120]
可选的，所述损失函数可以为交叉熵损失函数、对数损失函数、平方损失函数等。
[0121]
步骤e：判断所述损失值是否小于预设的阈值；
[0122]
步骤f：当所述损失值不小于所述预设的阈值时，重新构建所述huffman二叉树，并
返回所述步骤b；
[0123]
步骤g：当所述损失值小于预设的阈值，输出所述huffman二叉树，得到所述分类模型。
[0124]
如图3所示，是本发明信息分类装置的功能模块图。
[0125]
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特征转换模块101、特征融合模块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。
[0126]
在本实施例中，关于各模块/单元的功能如下：
[0127]
所述特征转换模块101用于获取待识别用户信息，将所述待识别用户信息划分为数值型用户信息及字符型用户信息；将所述数值型用户信息进行归一化及向量构建处理，得到用户数值特征向量，得到用户数值特征向量；获取所述字符型用户信息中的所有用户特征进行组合，得到用户字符特征文本；对所述用户字符特征文本进行分词处理，得到特征词语集；根据所述特征词语集中每个特征词语在所述用户字符特征文本中的位置，对每个特征词语进行位置向量转化，得到位置向量集；
[0128]
所述特征融合模块102用于将所述用户数值特征向量与所述位置向量集中的每个位置向量融合，得到融合向量集；对所述融合向量集中的所有融合向量进行累加，得到累加向量；
[0129]
所述信息分类模块103用于利用预构建的分类模型对所述累加向量进行分类识别，得到分类结果。
[0130]
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。
[0131]
如图4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。
[0132]
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。
[0133]
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。
[0134]
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。
[0135]
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。
[0136]
图4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4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。
[0137]
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。
[0138]
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。
[0139]
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。
[0140]
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。
[0141]
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：
[0142]
获取待识别用户信息，将所述待识别用户信息划分为数值型用户信息及字符型用户信息；
[0143]
将所述数值型用户信息进行归一化及向量构建处理，得到用户数值特征向量，得到用户数值特征向量；
[0144]
获取所述字符型用户信息中的所有用户特征进行组合，得到用户字符特征文本；
[0145]
对所述用户字符特征文本进行分词处理，得到特征词语集；
[0146]
根据所述特征词语集中每个特征词语在所述用户字符特征文本中的位置，对每个特征词语进行位置向量转化，得到位置向量集；
[0147]
将所述用户数值特征向量与所述位置向量集中的每个位置向量融合，得到融合向量集；
[0148]
对所述融合向量集中的所有融合向量进行累加，得到累加向量；
[0149]
利用预构建的分类模型对所述累加向量进行分类识别，得到分类结果。
[0150]
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。
[0151]
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)。
[0152]
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：
[0153]
获取待识别用户信息，将所述待识别用户信息划分为数值型用户信息及字符型用户信息；
[0154]
将所述数值型用户信息进行归一化及向量构建处理，得到用户数值特征向量，得到用户数值特征向量；
[0155]
获取所述字符型用户信息中的所有用户特征进行组合，得到用户字符特征文本；
[0156]
对所述用户字符特征文本进行分词处理，得到特征词语集；
[0157]
根据所述特征词语集中每个特征词语在所述用户字符特征文本中的位置，对每个特征词语进行位置向量转化，得到位置向量集；
[0158]
将所述用户数值特征向量与所述位置向量集中的每个位置向量融合，得到融合向量集；
[0159]
对所述融合向量集中的所有融合向量进行累加，得到累加向量；
[0160]
利用预构建的分类模型对所述累加向量进行分类识别，得到分类结果。
[0161]
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。
[0162]
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。
[0163]
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。
[0164]
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。
[0165]
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。
[0166]
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。
[0167]
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。
[0168]
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0169]
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。
[0170]
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。
[0171]
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。