分类预测的方法、装置、可读存储介质及电子设备与流程

1.本公开涉及计算机技术领域，具体地，涉及一种分类预测的方法、装置、可读存储介质及电子设备。


背景技术：

2.随着人工智能和机器学习技术的普及和发展，越来越多的公司开始尝试利用机器学习技术来解决业务问题，机器学习技术被普遍应用于各种任务。以分类模型为例，在诸如文本分类、用户画像、异常用户发现、异常交易挖掘等任务中有着广泛的应用。与此同时，大量的数据能够被收集，为机器学习技术的使用、提升机器学习模型的性能创造了条件。
3.以文本分类为例，文本分类通常是指根据待分类文本数据自身的文本特征，确定该待分类文本数据所属的类别。在相关技术中，多是利用基于bert预训练模型的深度学习方法对文本进行分类。


技术实现要素：

4.本公开的目的是提供一种分类预测的方法、装置、可读存储介质及电子设备，以提高分类预测的准确度。
5.为了实现上述目的，本公开第一方面提供一种基于预测模型进行分类预测的方法，所述预测模型包括顺序级联的至少两个预测子模型，所述方法包括：
6.将待分类信息输入级联顺序中的首个预测子模型，得到所述首个预测子模型输出的预测结果；
7.针对级联顺序中的每一非首个预测子模型，将所述待分类信息以及该非首个预测子模型的前一预测子模型输出的预测结果输入该非首个预测子模型，得到该非首个预测子模型输出的预测结果，直到得到级联顺序中的最后一个预测子模型输出的最终分类结果，其中，所述预测模型的训练包括：针对任一所述非首个预测子模型，根据该非首个预测子模型之前的预测子模型的训练结果对该非首个预测子模型的样本标注进行修正，并根据修正后的样本标注对该非首个预测子模型进行训练。
8.可选地，所述预测模型的训练具体包括：
9.将待分类样本信息作为首个预测子模型的输入参数，将所述待分类样本信息的原始样本标注作为首个预测子模型的输出参数，对所述首个预测子模型进行训练；
10.针对级联顺序中每一非首个预测子模型，均执行以下子训练过程，直到最后一个预测子模型完成训练，得到训练后的预测模型：
11.根据待分类样本信息以及该非首个预测子模型的前一预测子模型输出的预测结果生成该非首个预测子模型的输入参数；
12.确定该非首个预测子模型对应的修正后的样本标注；
13.根据该非首个预测子模型的输入参数和该非首个预测子模型对应的修正后的样本标注，对该非首个预测子模型进行训练。
14.可选地，所述确定该非首个预测子模型对应的修正后的样本标注，包括：
15.获取该非首个预测子模型的前一预测子模型输出的预测结果；
16.比较所述前一预测子模型输出的预测结果与所述前一预测子模型对应的修正后的样本标注是否匹配；
17.若匹配，则将所述前一预测子模型对应的修正后的样本标注或所述前一预测子模型输出的预测结果确定为该非首个预测子模型对应的修正后的样本标注；
18.若不匹配，则输出所述前一预测子模型输出的预测结果和所述前一预测子模型对应的修正后的样本标注，并接收用户根据所述预测结果和所述前一预测子模型对应的修正后的样本标注确定的该非首个预测子模型对应的修正后的样本标注。
19.可选地，所述待分类样本信息包括待分类样本的相关特征信息和预设的占位符。
20.可选地，所述根据待分类样本信息以及该非首个预测子模型的前一预测子模型输出的预测结果生成该非首个预测子模型的输入参数，包括：
21.获取该非首个预测子模型的前一预测子模型输出的预测结果；
22.将所述预测结果代替所述待分类样本信息中预设的占位符，以生成该非首个预测子模型的输入参数，其中，预设的占位符的长度与每一预测子模型输出的预测结果的长度相等。
23.可选地，所述待分类信息为外卖商品信息，所述外卖商品信息包括以下中的至少一者：外卖商品名称、所述外卖商品所属的商家名称、以及用户自定义的所述外卖商品所属的菜系，所述预测模型用于预测生成所述外卖商品的方式。
24.本公开第二方面提供一种基于预测模型进行分类预测的装置，所述预测模型包括顺序级联的至少两个预测子模型，所述装置包括：
25.输入模块，用于将待分类信息输入级联顺序中的首个预测子模型，得到所述首个预测子模型输出的预测结果；
26.获取模块，用于针对级联顺序中的每一非首个预测子模型，将所述待分类信息以及该非首个预测子模型的前一预测子模型输出的预测结果输入该非首个预测子模型，得到该非首个预测子模型输出的预测结果，直到得到级联顺序中的最后一个预测子模型输出的最终分类结果，其中，所述预测模型的训练包括：针对任一所述非首个预测子模型，根据该非首个预测子模型之前的预测子模型的训练结果对该非首个预测子模型的样本标注进行修正，并根据修正后的样本标注对该非首个预测子模型进行训练。
27.可选地，所述装置还包括训练模块，所述训练模块包括：
28.第一训练子模块，用于将待分类样本信息作为首个预测子模型的输入参数，将所述待分类样本信息的原始样本标注作为首个预测子模型的输出参数，对所述首个预测子模型进行训练；
29.第二训练子模块，用于针对级联顺序中每一非首个预测子模型，均执行以下子训练过程，直到最后一个预测子模型完成训练，得到训练后的预测模型：
30.根据待分类样本信息以及该非首个预测子模型的前一预测子模型输出的预测结果生成该非首个预测子模型的输入参数；
31.确定该非首个预测子模型对应的修正后的样本标注；
32.根据该非首个预测子模型的输入参数和该非首个预测子模型对应的修正后的样
本标注，对该非首个预测子模型进行训练。
33.本公开第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开第一方面所提供的所述方法的步骤。
34.本公开第四方面提供一种电子设备，包括：
35.存储器，其上存储有计算机程序；
36.处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面所提供的所述方法的步骤。
37.采用上述技术方案，针对预测模型包括的任一非首个预测子模型，根据该非首个预测子模型之前的预测子模型的训练结果对该非首个预测子模型的样本标注进行修正，并根据修正后的样本标注对该非首个预测子模型进行训练，如此，将样本标注的修正行为融入到了预测模型的训练过程中，提高了训练所得的预测模型的精准度。此外，在利用精准度较高的预测模型进行分类预测时，提高了分类预测的准确度。
38.本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
39.附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
40.图1是根据一示例性实施例示出的一种预测模型的示意图。
41.图2是根据一示例性实施例示出的一种基于预测模型进行分类预测的方法的流程图。
42.图3是根据一示例性实施例示出的一种预测模型训练方法的流程图。
43.图4是根据一示例性实施例示出的一种基于预测模型进行分类预测的装置的框图。
44.图5是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
45.如背景技术所言，相关技术中，多是基于bert预训练模型的深度学习方法对文本进行分类，发明人通过实验发现，基于bert预训练模型进行分类的准确率为91.7％，为了进一步提高分类的准确率，本公开提供一种基于预测模型进行分类预测的方法、装置、可读存储介质及电子设备。
46.以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
47.在本公开中，采用预测模型进行分类预测，该预测模型包括顺序级联的至少两个预测子模型。图1是根据一示例性实施例示出的一种预测模型的示意图。如图1所示，该预测模型可以包括第一预测子模型、第二预测子模型至第n预测子模型，且第一预测子模型、第二预测子模型至第n预测子模型顺序级联，即，第一预测子模型与第二预测子模型相连，第二预测子模块与第三预测子模型相连，如此，直到第n-1预测子模型与第n预测子模型相连。其中，根据实际需求，预测模型中的预测子模型的数量可以是两个以上的任意数量，并且，各个预测子模型可以是选自于梯度提升决策树(gdbt)、随机森林模型rf、逻辑回归模型、
bert模型的任意一种。此外，在预测模型中的所有预测子模型可以采用同样的模型实现，也可以采用不同的模型来实现，本公开对此不作具体限定。
48.图2是根据一示例性实施例示出的一种基于预测模型进行分类预测的方法的流程图，该预测模型包括顺序级联的至少两个预测子模型，例如，图1所示的预测模型。如图2所示，该分类方法可以包括以下步骤。
49.在步骤201中，将待分类信息输入级联顺序中的首个预测子模型，得到首个预测子模型输出的预测结果。
50.在本公开中，采用预测模型进行分类预测时，首先，将待分类信息输入级联顺序中的首个预测子模型(例如，图1中的第一预测子模型)，以得到该首个预测子模型输出的预测结果。其中，该首个预测子模型是预先已经训练完成的模型，该首个预测子模型的训练方式将在下文详细描述。
51.在一种实施例中，图1所示的预测模型所适用的场景为预测外卖商品的生成方式的场景，即，该预测模型用于预测生成外卖商品的方式。相应地，上述步骤201中的待分类信息为外卖商品信息，该外卖商品信息可以包括外卖商品的相关特征信息，例如可以包括以下中的至少一者：外卖商品名称、外卖商品所属的商家名称、以及用户自定义的外卖商品所属的菜系。值得说明的是，生成外卖商品的方式为人工预先定义的311个类别中的任一类别，该311个类别可以包括烧类、炒菜、焖菜等。用户自定义的外卖商品所属的菜系可以为凉菜系或热菜系，也可以为川菜、湘菜、鲁菜、粤菜、苏菜、闽菜、浙菜、徽菜中的一者。示例地，外卖商品为“鱼香肉丝”，则待分类信息可以为“鱼香肉丝”、“经典川菜”、“xx家常菜”。
52.值得说明的是，步骤201的具体实施方式可以参照相关技术中基于bert预训练模型的深度学习方法进行分类的方式，本公开对此不再赘述。
53.在步骤202中，针对级联顺序中的每一非首个预测子模型，将待分类信息以及该非首个预测子模型的前一预测子模型输出的预测结果输入该非首个预测子模型，得到该非首个预测子模型输出的预测结果，直到得到级联顺序中的最后一个预测子模型输出的最终分类结果。
54.在实际应用中，首个预测子模型输出的预测结果的准确度较低，例如，首个预测子模型为bert预训练模型，则其输出的预测结果的准确度为91.7％，可能不能满足用户对分类准确度的要求，因此，在本公开中，在得到首个预测子模型输出的预测结果之后，还会将待分类信息和该首个预测子模型输出的预测结果输入第二预测子模型，以得到第二预测子模型输出的预测结果，之后，再将该待分类信息和第二预测子模型输出的预测结果输入第三预测子模型，以得到第三预测子模型输出的预测结果，依次类推，直到将该待分类信息和第n-1预测子模型输出的预测结果输入第n预测子模型，得到第n预测子模型输出的预测结果为止，并将第n预测子模型输出的预测结果作为最终的分类结果。如此，级联顺序中的最后一个预测子模型在输出最终分类结果时考虑到了前一预测子模型输出的预测结果，提高了对待分类信息分类的准确度。
55.其中，该预测模型的训练包括：针对任一非首个预测子模型，根据该非首个预测子模型之前的预测子模型的训练结果对该非首个预测子模型的样本标注进行修正，并根据修正后的样本标注对该非首个预测子模型进行训练。如此，在对非首个预测子模型进行训练时，可以基于之前的预测子模型的训练结果对该非首个预测子模型的样本标注进行修正，
即，将样本标注的修正行为融入到了模型训练过程中，提高了训练所得的预测模型的精准度。
56.示例地，以预测模型包括顺序级联的第一预测子模型和第二预测子模型为例，通过多次实现发现，利用本公开提供的训练方式训练得到的预测模型进行分类预测时，预测的准确度可以达到92.5％，而仅利用第一预测子模型进行分类预测时预测的准确度仅为91.7％，因此，采用本公开所提供的分类预测的方法可以提高分类预测的准确度。
57.采用上述技术方案，针对预测模型包括的任一非首个预测子模型，根据该非首个预测子模型之前的预测子模型的训练结果对该非首个预测子模型的样本标注进行修正，并根据修正后的样本标注对该非首个预测子模型进行训练，如此，将样本标注的修正行为融入到了预测模型的训练过程中，提高了训练所得的预测模型的精准度。此外，在利用精准度较高的预测模型进行分类预测时，提高了分类预测的准确度。
58.下面对本公开中所使用的预测模型的训练过程进行详细说明。
59.图3是根据一示例性实施例示出的一种预测模型训练方法的流程图。如图3所示，该训练方法可以包括以下步骤。
60.在步骤301中，将待分类样本信息作为首个预测子模型的输入参数，将待分类样本信息的原始样本标注作为首个预测子模型的出参数，对该首个预测子模型进行训练。
61.其中，对首个预测子模型的训练方式可以参照相关技术中对bert模型的训练方式，本公开对此不作赘述。
62.接着，针对级联顺序中每一非首个预测子模型，均执行以下子训练过程，直到最后一个预测子模型完成训练，得到训练后的预测模型：
63.示例地，在步骤302中，针对级联顺序中每一非首个预测子模型，根据待分类样本信息以及该非首个预测子模型的前一预测子模型输出的预测结果生成该非首个预测子模型的输入参数。
64.在本公开中，在对级联顺序中每一非首个预测子模型进行训练时，除了将待分类样本信息作为该非首个预测子模型的输入参数之外，还会将该非首个预测子模型的前一预测子模型输出的预测结果也作为该非首个预测子模型的输入参数。即，对非首个预测子模型进行训练时，除了考虑待分类样本信息之外，还会考虑前一预测子模型输出的预测结果。
65.值得说明的是，如上所述，在预测模型中的所有预测子模型可以采用同样的模型实现，也可以采用不同的模型来实现。如果采用同样的模型实现时，通常每一预测子模型的输入通道均是相同的，即，在训练过程中输入参数的长度应相同，也即是说，首个预测子模型的输入参数的长度应该与级联顺序中每一非首个预测子模型的输入参数的长度相同。
66.因此，在一种实施例中，首个预测子模型的输入参数，即，待分类样本信息可以包括待分类样本的相关特征信息和预设的占位符。相应地，上述步骤302中生成该非首个预测子模型的输入参数的具体方式为：
67.首先，获取该非首个预测子模型的前一预测子模型输出的预测结果。示例地，若该首个预测子模型为第二预测子模型，则该非首个预测子模型的前一预测子模型输出的预测结果即为第一预测子模型输出的预测结果。
68.之后，将预测结果代替待分类样本信息中预设的占位符，以生成该非首个预测子模型的输入参数，其中，预设的占位符的长度与每一预测子模型输出的预测结果的长度相
等。
69.示例地，首个预测子模型的输入参数为“cls鱼香肉丝0经典热菜0老郭家常菜0”，其中，“cls”为预设的占位符，“0”表征两个相关特征信息之间的分隔符，不同相关特征信息之间的分隔符的长度可以相同也可以不同，本公开对此不作限制。相应地，按照上述方式生成的非首个预测子模型的输入参数即为“a鱼香肉丝0经典热菜0老郭家常菜0”，其中，“a”为前一预测子模型输出的预测结果，并且，“a”的长度与“cls”的长度相等。
70.在步骤303中，确定该非首个预测子模型对应的修正后的样本标注。
71.在本公开中，非首个预测子模型对应的样本标注是根据前一预测子模型输出的预测结果进行修正后的样本标注。其中，可以由用户根据前一预测子模型输出的预测结果和前一预测子模型对应的修正后的样本标注进行修正的，也可以是执行该训练方式的设备根据前一预测子模型输出的预测结果和前一预测子模型对应的修正后的样本标注自动进行修正的，本公开对此不作具体限定。
72.示例地，步骤303确定该非首个预测子模型对应的修正后的样本标注的具体方式为：
73.首先，获取该非首个预测子模型的前一预测子模型输出的预测结果。
74.接着，比较前一预测子模型输出的预测结果与前一预测子模型对应的修正后的样本标注是否匹配。
75.在本公开中，比较前一预测子模型输出的预测结果是否与其对应的修正后的样本标注是否匹配，即是，比较前一预测子模型输出的预测结果是否与其对应的修正后的样本标注是否一致，若前一预测子模型输出的预测结果与其对应的修正后的样本标注一致，则确定两者匹配，否者确定两者不匹配。
76.值得说明的是，如果该非首个预测子模型为第二预测子模型，则其前一预测子模型即为第一预测子模型(首个预测子模型)，相应地，前一预测子模型对应的修正后的样本标注即为待分类样本信息的原始样本标注。
77.最后，若匹配，则将前一预测子模型对应的修正后的样本标注或前一预测子模型输出的预测结果确定为该非首个预测子模型对应的修正后的样本标注；若不匹配，则输出前一预测子模型输出的预测结果和前一预测子模型对应的修正后的样本标注，并接收用户根据预测结果和前一预测子模型对应的修正后的样本标注确定的该非首个预测子模型对应的修正后的样本标注。
78.若匹配，则表明前一预测子模型输出的预测结果与前一预测子模型对应的修正后的样本标注一致，则前一预测子模型对应的修正后的样本标注、前一预测子模型输出的预测结果是准确的，此时，可以直接将前一预测子模型对应的修正后的样本标注或前一预测子模型输出的预测结果确定为该非首个预测子模型对应的修正后的样本标注。
79.若不匹配，则表明前一预测子模型输出的预测结果与前一预测子模型对应的修正后的样本标注不一致，此时，可能是前一预测子模型输出的预测结果不准确，或者，是前一预测子模型对应的修正后的样本标注不准确，又或者，两者都不准确。此时，需要设备或用户来进一步确定是前一预测子模型输出的预测结果不准确或前一预测子模型对应的修正后的样本标注不准确，或两者均不准确。
80.在实际应用中，设备可能无法确定是哪一者不准确，因此，为了确保该非首个预测
子模型对应的修正后的样本标注的准确性，进而确保对该非首个预测子模型训练的精准度，在本公开中，可以由用户根据前一预测子模型输出的预测结果和前一预测子模型对应的修正后的样本标注确定的该非首个预测子模型对应的修正后的样本标注。
81.在由用户来确定该非首个预测子模型对应的修正后的样本标注时，需要输出前一预测子模型输出的预测结果和前一预测子模型对应的修正后的样本标注，便于用户获知到前一预测子模型输出的预测结果和前一预测子模型对应的修正后的样本标注，进而确定该非首个预测子模型对应的修正后的样本标注。例如，若用户确定前一预测子模型输出的预测结果是准确的，则可以将前一预测子模型输出的预测结果确定为该非首个预测子模型对应的修正后的样本标注；又例如，若用户确定前一预测子模型对应的修正后的样本标注是准确的，则可以将前一预测子模型对应的修正后的样本标注确定为该非首个预测子模型对应的修正后的样本标注；再例如，若用户确定两者均不准确，则可以根据待分类样本信息自行确定出该非首个预测子模型对应的准确的修正后的样本标注。如此，按照上述方式即可确定出该非首个预测子模型对应的修正后的样本标注。
82.值的说明的是，本公开对步骤302和步骤303的执行顺序不作限定。示例地，可以先执行步骤302再执行步骤303(如图3所示)，也可以先执行步骤303再执行步骤302，还可以同时执行步骤302和步骤303。
83.在步骤304中，根据该非首个预测子模型的输入参数和该非首个预测子模型对应的修正后的样本标注，对该非首个预测子模型进行训练。
84.在按照上述步骤302和步骤303分别获取到该非首个预测子模型的输入参数和其对应的修正后的样本标注之后，利用该输入参数和其对应的修正后的样本标注对该非首个预测子模型进行训练。具体的训练方式可以参照现有技术中的模型训练方式，本公开对此不作赘述。
85.如此，在对非首个预测子模型进行训练时，根据前一预测子模型输出的预测结果对样本标注进行了修正，在对非首个预测子模型进行训练的过程中融合了用户的修正行为，提高了对预测模型训练的精准度。
86.基于同一发明构思，本公开还提供一种基于预测模型进行分类预测的装置。图4是根据一示例性实施例示出的一种基于预测模型进行分类预测的装置的框图，预测模型包括顺序级联的至少两个预测子模型。如图4所示，该基于预测模型进行分类预测的装置400可以包括：
87.输入模块401，用于将待分类信息输入级联顺序中的首个预测子模型，得到所述首个预测子模型输出的预测结果；
88.获取模块402，用于针对级联顺序中的每一非首个预测子模型，将所述待分类信息以及该非首个预测子模型的前一预测子模型输出的预测结果输入该非首个预测子模型，得到该非首个预测子模型输出的预测结果，直到得到级联顺序中的最后一个预测子模型输出的最终分类结果，其中，所述预测模型的训练包括：针对任一所述非首个预测子模型，根据该非首个预测子模型之前的预测子模型的训练结果对该非首个预测子模型的样本标注进行修正，并根据修正后的样本标注对该非首个预测子模型进行训练。
89.可选地，所述装置还包括训练模块，所述训练模块包括：
90.第一训练子模块，用于将待分类样本信息作为首个预测子模型的输入参数，将所
述待分类样本信息的原始样本标注作为首个预测子模型的输出参数，对所述首个预测子模型进行训练；
91.第二训练子模块，用于针对级联顺序中每一非首个预测子模型，均执行以下子训练过程，直到最后一个预测子模型完成训练，得到训练后的预测模型：
92.根据待分类样本信息以及该非首个预测子模型的前一预测子模型输出的预测结果生成该非首个预测子模型的输入参数；
93.确定该非首个预测子模型对应的修正后的样本标注；
94.根据该非首个预测子模型的输入参数和该非首个预测子模型对应的修正后的样本标注，对该非首个预测子模型进行训练。
95.可选地，所述确定该非首个预测子模型对应的修正后的样本标注，包括：
96.获取该非首个预测子模型的前一预测子模型输出的预测结果；
97.比较所述前一预测子模型输出的预测结果与所述前一预测子模型对应的修正后的样本标注是否匹配；
98.若匹配，则将所述前一预测子模型对应的修正后的样本标注或所述前一预测子模型输出的预测结果确定为该非首个预测子模型对应的修正后的样本标注；
99.若不匹配，则输出所述前一预测子模型输出的预测结果和所述前一预测子模型对应的修正后的样本标注，并接收用户根据所述预测结果和所述前一预测子模型对应的修正后的样本标注确定的该非首个预测子模型对应的修正后的样本标注。
100.可选地，所述待分类样本信息包括待分类样本的相关特征信息和预设的占位符。
101.可选地，所述根据待分类样本信息以及该非首个预测子模型的前一预测子模型输出的预测结果生成该非首个预测子模型的输入参数，包括：
102.获取该非首个预测子模型的前一预测子模型输出的预测结果；
103.将所述预测结果代替所述待分类样本信息中预设的占位符，以生成该非首个预测子模型的输入参数，其中，预设的占位符的长度与每一预测子模型输出的预测结果的长度相等。
104.可选地，所述待分类信息为外卖商品信息，所述外卖商品信息包括以下中的至少一者：外卖商品名称、所述外卖商品所属的商家名称、以及用户自定义的所述外卖商品所属的菜系，所述预测模型用于预测生成所述外卖商品的方式。
105.关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
106.图5是根据一示例性实施例示出的一种电子设备的框图。如图5所示，该电子设备700可以包括：处理器701，存储器702。该电子设备700还可以包括多媒体组件703，输入/输出(i/o)接口704，以及通信组件705中的一者或多者。
107.其中，处理器701用于控制该电子设备700的整体操作，以完成上述的基于预测模型进行分类预测的方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作，这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编
程只读存储器(electrically erasable programmable read-only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read-only memory，简称eprom)，可编程只读存储器(programmable read-only memory，简称prom)，只读存储器(read-only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o接口704为处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信，例如wi-fi，蓝牙，近场通信(near field communication，简称nfc)，2g、3g、4g、nb-iot、emtc、或其他5g等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件705可以包括：wi-fi模块，蓝牙模块，nfc模块等等。
108.在一示例性实施例中，电子设备700可以被一个或多个应用专用集成电路(application specific integrated circuit，简称asic)、数字信号处理器(digital signal processor，简称dsp)、数字信号处理设备(digital signal processing device，简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的基于预测模型进行分类预测的方法。
109.在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的基于预测模型进行分类预测的方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器702，上述程序指令可由电子设备700的处理器701执行以完成上述的基于预测模型进行分类预测的方法。
110.在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的基于预测模型进行分类预测的方法的代码部分。
111.以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
112.另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
113.此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。