对象分类方法、装置、计算机设备和存储介质与流程

本技术涉及计算机，特别是涉及一种对象分类方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术：

1、随着计算机技术的发展，网络中涌现了越来越多的应用程序。为了维护网络环境，保护对象的身心健康，可以区别设置不同类型的对象在同一应用程序中的操作权限。

2、传统技术中，通常是通过经验规则来识别不同类型的对象，例如，针对同一应用程序，不同类型的对象的操作时间存在差异，将在特定时间操作应用程序的对象识别为该特定时间对应的特定类型的对象。然而，基于经验规则的对象分类方法存在较大的主观性，分类准确率较低。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高分类准确性的对象分类方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、本技术提供了一种对象分类方法。所述方法包括：

3、获取训练对象对应的训练操作数据和训练标签；所述训练操作数据是基于所述训练对象在目标应用中的操作数据得到的，所述训练标签用于确定所述训练对象在所述目标应用中的操作权限；

4、基于所述训练操作数据和所述训练标签生成初始决策树，将所述初始决策树作为当前决策树；

5、将所述训练操作数据输入当前决策树得到本轮预测结果，基于所述训练标签、本轮预测结果和历史轮预测结果生成预测误差；

6、基于所述训练操作数据和所述预测误差生成当前决策树的后向决策树，将所述后向决策树作为当前决策树，返回将所述训练操作数据输入当前决策树得到本轮预测结果的步骤执行，直至满足第一收敛条件，得到多个后向决策树；

7、基于所述初始决策树和各个后向决策树生成对象分类模型；所述对象分类模型用于将目标对象对应的目标操作数据输入所述初始决策树和所述各个后向决策树，并融合所述初始决策树和所述各个后向决策树的预测结果得到所述目标对象对应的预测标签。

8、本技术还提供了一种对象分类装置。所述装置包括：

9、训练数据获取模块，用于获取训练对象对应的训练操作数据和训练标签；所述训练操作数据是基于所述训练对象在目标应用中的操作数据得到的，所述训练标签用于确定所述训练对象在所述目标应用中的操作权限；

10、初始决策树生成模块，用于基于所述训练操作数据和所述训练标签生成初始决策树，将所述初始决策树作为当前决策树；

11、预测误差计算模块，用于将所述训练操作数据输入当前决策树得到本轮预测结果，基于所述训练标签、本轮预测结果和历史轮预测结果生成预测误差；

12、后向决策树生成模块，用于基于所述训练操作数据和所述预测误差生成当前决策树的后向决策树，将所述后向决策树作为当前决策树，返回将所述训练操作数据输入当前决策树得到本轮预测结果的步骤执行，直至满足第一收敛条件，得到多个后向决策树；

13、对象分类模型生成模块，用于基于所述初始决策树和各个后向决策树生成对象分类模型；所述对象分类模型用于将目标对象对应的目标操作数据输入所述初始决策树和所述各个后向决策树，并融合所述初始决策树和所述各个后向决策树的预测结果得到所述目标对象对应的预测标签。

14、本技术提供了一种对象分类方法。所述方法包括：

15、获取目标对象对应的目标操作数据；所述目标操作数据是基于所述目标对象在目标应用中的操作数据得到的；

16、将所述目标操作数据输入对象分类模型，得到所述目标对象对应的预测标签；所述预测标签用于确定所述目标对象在所述目标应用中的操作权限，所述预测标签是融合所述对象分类模型中各个决策树的预测结果得到的；

17、所述对象分类模型的训练过程包括以下步骤：

18、获取训练对象对应的训练操作数据和训练标签；

19、基于所述训练操作数据和所述训练标签生成初始决策树，将所述初始决策树作为当前决策树；

20、将所述训练操作数据输入当前决策树得到本轮预测结果，基于所述训练标签、本轮预测结果和历史轮预测结果生成预测误差；

21、基于所述训练操作数据和所述预测误差生成当前决策树的后向决策树，将所述后向决策树作为当前决策树，返回将所述训练操作数据输入当前决策树得到本轮预测结果的步骤执行，直至满足第一收敛条件，得到多个后向决策树；

22、基于所述初始决策树和各个后向决策树生成所述对象分类模型。

23、本技术还提供了一种对象分类装置。所述装置包括：

24、数据获取模块，用于获取目标对象对应的目标操作数据；所述目标操作数据是基于所述目标对象在目标应用中的操作数据得到的；

25、标签预测模块，用于将所述目标操作数据输入对象分类模型，得到所述目标对象对应的预测标签；所述预测标签用于确定所述目标对象在所述目标应用中的操作权限，所述预测标签是融合所述对象分类模型中各个决策树的预测结果得到的；

26、所述对象分类模型的训练过程包括以下步骤：

27、获取训练对象对应的训练操作数据和训练标签；基于所述训练操作数据和所述训练标签生成初始决策树，将所述初始决策树作为当前决策树；将所述训练操作数据输入当前决策树得到本轮预测结果，基于所述训练标签、本轮预测结果和历史轮预测结果生成预测误差；基于所述训练操作数据和所述预测误差生成当前决策树的后向决策树，将所述后向决策树作为当前决策树，返回将所述训练操作数据输入当前决策树得到本轮预测结果的步骤执行，直至满足第一收敛条件，得到多个后向决策树；基于所述初始决策树和各个后向决策树生成所述对象分类模型。

28、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述对象分类方法所述的步骤。

29、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述对象分类方法所述的步骤。

30、一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述对象分类方法所述的步骤。

31、上述对象分类方法、装置、计算机设备、存储介质和计算机程序产品，通过获取训练对象对应的训练操作数据和训练标签，训练操作数据是基于训练对象在目标应用中的操作数据得到的，训练标签用于确定训练对象在目标应用中的操作权限，基于训练操作数据和训练标签生成初始决策树，将初始决策树作为当前决策树，将训练操作数据输入当前决策树得到本轮预测结果，基于训练标签、本轮预测结果和历史轮预测结果生成预测误差，基于训练操作数据和预测误差生成当前决策树的后向决策树，将后向决策树作为当前决策树，返回将训练操作数据输入当前决策树得到本轮预测结果的步骤执行，直至满足第一收敛条件，得到多个后向决策树，基于初始决策树和各个后向决策树生成对象分类模型。后续，可以将目标对象对应的目标操作数据输入对象分类模型，对象分类模型通过融合初始决策树和各个后向决策树的预测结果输出目标对象对应的预测标签。这样，基于训练操作数据和训练标签可以训练得到对象分类模型，基于对象分类模型对对象进行分类，可以提高对象的分类准确性和效率。并且，对象分类模型包括多个决策树，各个后向决策树通过学习前向决策树预测结果和训练标签之间的误差得到，后向决策树可以在前向决策树的基础上提高模型的准确性，从而对象分类模型通过融合各个决策树的预测结果可以得到更准确的预测标签，进一步提高对象的分类准确性。