推荐方法、分类模型的训练方法和相关设备与流程

1.本公开涉及通信技术，尤其涉及一种推荐方法、分类模型的训练方法和相关设备。


背景技术：

2.金融机构有着庞大的客户群体，金融机构可以向庞大的客户群体推荐合适的金融产品。
3.示例性技术中，通过对用户历史购买的金融产品以及应有程序上用户浏览的金融产品的记录来分析用户的喜好，再向用户推荐其喜好的金融产品。
4.中老年客户是金融产品的有力消费者，但这些中老年客户中的一部分客户是不会去浏览或使用应用程序，从而无法获取浏览信息准确的为这些客户进行推荐，导致客户的流失。可知，现有的金融产品的推荐效果较差。


技术实现要素：

5.本公开提供一种推荐方法、分类模型的训练方法和相关设备，用以解决金融产品的推荐效果较差的问题。
6.一方面，本公开提供一种推荐方法，包括：
7.获取待推荐用户的基础信息以及购买金融产品的行为信息；
8.根据所述基础信息以及所述行为信息构建所述待推荐用户的特征向量；
9.将所述特征向量输入至分类模型，得到所述分类模型的输出结果，并根据所述输出结果确定所述待推荐用户所属的客户群体；
10.确定所述客户群体对应的目标推送方式以及目标金融产品，并按照所述目标推荐方式向所述待推荐用户关联的终端推送所述目标金融产品的信息。
11.另一方面，本公开还提供一种分类模型的训练方法，包括：
12.获取各个训练样本，所述训练样本由第一用户的基础信息以及购买金融产品的行为信息确定；
13.根据各个训练样本获得多个三元组样本，所述三元组样本由目标样本、正样本以及负样本构成；
14.根据各个所述三元组样本对预设模型进行训练得到分类模型，所述分类模型用于根据待推荐用户的基础信息以及购买金融产品的行为信息确定所述待推荐用户所属的客户群体。
15.在一实施例中，所述根据各个训练样本获得多个三元组样本的步骤包括：
16.在各个所述训练样本中确定目标样本；
17.在各个所述训练样本中确定与所述目标样本相似的多个第一样本，并在各个所述训练样本中确定与所述目标样本不相似的多个第二样本；
18.在各个所述第一样本中确定正样本，并在各个所述第二样本中确定负样本；
19.根据所述目标样本、所述正样本以及所述负样本构建三元组样本。
20.在一实施例中，所述在各个所述第二样本中确定负样本的步骤包括：
21.获取所述正样本与所述目标样本之间的第一距离，并获取各个所述第二样本与所述目标样本之间的第二距离；
22.确定各个所述第二距离与所述第一距离之间的第一差值；
23.将小于预设阈值的所述第一差值对应的第二样本确定负样本。
24.在一实施例中，所述预设模型的损失函数根据正样本与目标样本之间的距离、负样本与目标样本之间的距离、以及预设阈值设置。
25.在另一方面，本公开还提供一种推荐装置，包括：
26.第一获取模块，用于获取待推荐用户的基础信息以及购买金融产品的行为信息；
27.构建模块，用于根据所述基础信息以及所述行为信息构建所述待推荐用户的特征向量；
28.输入模块，用于将所述特征向量输入至分类模型，得到所述分类模型的输出结果，并根据所述输出结果确定所述待推荐用户所属的客户群体；
29.确定模块，用于确定所述客户群体对应的目标推送方式以及目标金融产品，并按照所述目标推荐方式向所述待推荐用户关联的终端推送所述目标金融产品的信息。
30.在另一方面，本公开还提供一种推荐设备，包括：存储器以及处理器；
31.所述存储器存储计算机执行指令；
32.所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行如上所述的推荐方法。
33.在另一方面，本公开还提供一种分类模型的训练装置，包括：
34.第二获取模块，用于获取各个训练样本，所述训练样本由第一用户的基础信息以及购买金融产品的行为信息确定；
35.所述第二获取模块，还用于根据各个训练样本获得多个三元组样本，所述三元组样本由目标样本、正样本以及负样本构成；
36.训练模块，用于根据各个所述三元组样本对预设模型进行训练得到分类模型，所述分类模型用于根据待推荐用户的基础信息以及购买金融产品的行为信息确定所述待推荐用户所属的客户群体。
37.在另一方面，本公开还提供一种分类模型的训练设备，包括：存储器以及处理器；
38.所述存储器存储计算机执行指令；
39.所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行如上所述的分类模型的训练方法。
40.在另一方面，本公开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计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上所述的推荐方法或如上所述的分类模型的训练方法。
41.本公开提供的推荐方法、分类模型的训练方法和相关设备，获取待推荐用户的基础信息以及购买金融产品的行为信息，并根据基础信息以及行为信息构建待推荐用户的特征向量，再将特征向量输入至分类模型，以确定待推荐用户所属的客户群体，且确定客户群体对应的目标推送方式以及目标金融产品，最后以目标推荐方式向待推荐用户推送目标金融产品的信息。本公开中，通过用户的基础信息以及购买金融产品的行为信息进行金融产
品的推荐，即便用户不浏览金融产品，也可准确的为客户推荐金融产品，提高了金融产品的推荐效果；此外，按照用户所属的客户群体的推送方式为用户推送金融产品的信息，使得用户基于推送方式获知用户所喜好的金融产品的信息，进一步提高了金融产品的推荐效果。
附图说明
42.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
43.图1为本公开推荐方法第一实施例的流程示意图；
44.图2为本公开分类模型的训练方法第一实施例的流程示意图；
45.图3为本公开分类模型的训练方法第二实施例的流程示意图；
46.图4为本公开分类模型的训练方法第三实施例的流程示意图；
47.图5为本公开涉及的三元组样本的示意图；
48.图6为本公开推荐装置的模块示意图；
49.图7为本公开分类模型的训练装置的模块示意图；
50.图8为本公开推荐设备/分类模型的训练设备的硬件结构示意图。
51.通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
52.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
53.金融机构有着庞大的客户群体，金融机构可以向庞大的客户群体推荐合适的金融产品。
54.示例性技术中，通过对用户历史购买的金融产品以及应有程序上用户浏览的金融产品的记录来分析用户的喜好，再向用户推荐其喜好的金融产品。
55.本公开发明人发现，中老年客户是金融产品的有力消费者，这些中老年客户中的一部分客户是不会去浏览或使用应用程序，从而无法获取浏览信息准确的为这些客户进行推荐，导致客户的流失。可知，现有的金融产品的推荐效果较差。
56.本公开发明人因此想到，通过用户的基础信息以及购买金融产品的行为信息进行金融产品的推荐，即便用户不浏览金融产品，也可准确的为客户推荐金融产品，提高了金融产品的推荐效果；此外，按照用户所属的客户群体的推送方式为用户推送金融产品的信息，使得用户基于推送方式获知用户所喜好的金融产品的信息，进一步提高了金融产品的推荐效果。
57.下面以具体地实施例对本公开的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本公开的实施例进行描述。
58.参照图1，图1为本公开推荐方法的第一实施例，推荐方法包括以下步骤：
59.步骤s101，获取待推荐用户的基础信息以及购买金融产品的行为信息。
60.在本实施例中，执行主体为推荐装置。推荐装置可以是服务器。推荐装置获取待推荐用户的基础信息以及购买金融产品的行为信息。
61.具体的，用户可以在推荐装置上注册账号，用户在注册账号时，需要填写基础信息。当然，账号也可以是第三方应用的账号，第三方应用可授权账号在推荐装置上进行使用。用户可以通过账号购买金融产品，且用户购买金融产品的行为信息被记录存储，且行为信息与账号进行了关联存储。推荐装置获取待推荐用户的账号，从而获取账号关联的基础信息以及行为信息。
62.基础信息包括待推荐用户的性别、年龄、地区、存款等；而行为信息包括待推荐用户上臂购买的金融产品、待推荐用户购买金融产品的活跃度等。待推荐用户购买金融产品的数量越多，则活跃度越高。
63.步骤s102，根据基础信息以及行为信息构建待推荐用户的特征向量。
64.基础信息以及行为信息均包括了多个特征，推荐装置基于各个特征构建待推荐用户的特征向量。由于特征中存在很多非数值特征，可以将特征进行编码。示例性的，可以采用独热码的方式对特征进行编码得到数值特征。通过独热码的方式对各个特征进行编码，得到了n维的特征向量。而特征向量是需要输入至分类模型的卷积神经网络，则将特征向量转化为的灰度图片；若是n开根后为非整数，则在特征尾部补0，直至开根后为整数。
65.步骤s103，将特征向量输入至分类模型，得到分类模型的输出结果，并根据输出结果确定待推荐用户所属的客户群体。
66.推荐装置中设置有分类模型。装置在得到待推荐用户的特征向量后，将特征向量输入至分类模型。分类模型将特征向量输入至自身的卷积神经网络，从而得到输出结果。输出结果是待推荐用户所属的客户群体，也即推荐装置基于分类模型的输出结果确定待推荐用户所属的客户群体。
67.步骤s104，确定客户群体对应的目标推送方式以及目标金融产品，并按照目标推荐方式向待推荐用户关联的终端推送目标金融产品的信息。
68.不同客户群体有着不同喜好的金融产品，且有着不同的推荐方式。例如，标签为年轻群体的客户群体所喜好的金融产品是收益为中高风险的金融产品，且推荐方式是应用程序的弹窗推荐；标签为中老年客户群体所喜好的金融产品是收益为低风险的金融产品，且推荐方式为电话推荐。
69.推荐装置中存储有不同客户群体所关联的推送方式以及喜好的金融产品。推荐装置在确定待推荐用户所属的客户群体后，即可获取客户群体对应的目标推送方式以及目标金融产品。目标推送方式是客户群体所关联的推送方式，目标金融产品是客户群体所喜好的金融产品。在确定目标推荐方式以及目标金融产品后，推荐装置则按照目标推荐方式向待推荐用户所关联的终端发送目标金融产品的信息。
70.在本实施例中，获取待推荐用户的基础信息以及购买金融产品的行为信息，并根据基础信息以及行为信息构建待推荐用户的特征向量，再将特征向量输入至分类模型，以确定待推荐用户所属的客户群体，且确定客户群体对应的目标推送方式以及目标金融产
品，最后以目标推荐方式向待推荐用户推送目标金融产品的信息。本公开中，通过用户的基础信息以及购买金融产品的行为信息进行金融产品的推荐，即便用户不浏览金融产品，也可准确的为客户推荐金融产品，提高了金融产品的推荐效果；此外，按照用户所属的客户群体的推送方式为用户推送金融产品的信息，使得用户基于推送方式获知用户所喜好的金融产品的信息，进一步提高了金融产品的推荐效果。
71.本公开还提供一种分类模型的训练方法。
72.参照图2，图2为本公开分类模型的训练方法的第一实施例，分类模型的训练方法包括：
73.步骤s201，获取各个训练样本，训练样本由第一用户的基础信息以及购买金融产品的行为信息确定。
74.在本实施例中，执行主体为分类模型的训练装置，为了便于描述，以下采用训练装置指代分类模型的训练装置。训练装置获取各个训练样本，训练样本由第一用户的基础信息以及购买金融产品的行为信息确定，也即通过第一用户的基础信息以及购买金融产品的行为信息确定第一用户的特征向量，该特征向量即为训练样本。第一用户的特征向量的获取参照待推荐用户的特征向量的获取，在此不再进行赘述。
75.步骤s202，根据各个训练样本获得多个三元组样本，三元组样本由目标样本、正样本以及负样本构成。
76.本实施例中，训练装置需要将各个训练样本划分为三元组样本。三元组由一个目标样本、一个正样本以及一个负样本构成，也即从训练样本中确定目标样本，再从训练样本中获取一个负样本以及正样本以构成三元组样本。三元组样本表示为：(x
anchor
,x
positive
,x
negative
)，其中，x
anchor
表示目标样本，x
positive
表示正样本，x
negative
表示负样本。
77.正样本指的是与目标样本为同一类的训练样本，负样本指的是与目标样本不同类的训练样本。训练样本是否与目标样本为同一类样本，可以通过训练样本与目标样本之间的距离确定。
78.对此，训练装置在得到各个第一用户的特征向量后，通过特征提取网络对特征向量进行二次提取，再对提取后的特征向量进行归一化处理，使得提取后的特征向量位于同一欧式空间内，也即各个训练样本的特征向量位于同一欧式空间内，以便于训练样本之间的距离的计算。特征提取网络可以是卷积神经网络resner。
79.步骤s203，根据各个三元组样本对预设模型进行训练得到分类模型，分类模型用于根据待推荐用户的基础信息以及购买金融产品的行为信息确定待推荐用户所属的客户群体。
80.训练装置在得到各个三元组样本后，基于各个三元组样本对预设模型进行训练即可得到分类模型。分类模型可以基于待推荐用户的基础信息以及购买金融产品的行为信息确定待推荐用户所属的客户群体。
81.在本实施例中，训练装置基于第一用户的基础信息以及购买金融产品的行为信息确定训练样本，并基于各个训练样本得到三元组样本，从而根据三元组样本训练得到分类模型，从而通过分类模型确定待推荐用户所属的客户群体，从而准确的为待推荐用户推荐金融产品。
82.参照图3，图3为本公开分类模型的训练方法第二实施例，基于第一实施例，步骤
s202包括：
83.步骤s301，在各个训练样本中确定目标样本。
84.在本实施例中，训练装置在各个训练样本中确定目标样本，目标样本的确定方式可以是随机选定。
85.步骤s302，在各个训练样本中确定与目标样本相似的多个第一样本，并在各个训练样本中确定与目标样本不相似的多个第二样本。
86.在确定目标样本后，训练装置在各个训练样本中确定与目标样本相似的第一样本，且在各个训练样本确定与目标样本不相似的多个第二样本。
87.在一示例中，各个训练样本设置有标签，标签可以是训练样本所属第一用户所在的客户群体。在确定目标样本后，若是目标样本的标签是年轻群体，则将具有年轻群体标签各个训练样本确定为与目标样本相似的第一样本，而将不具有年轻群体标签的各个训练样本确定为与目标样本不相似的第二样本。
88.在另一示例中，训练装置计算训练样本与目标样本之间的距离，若是该距离小于或等于预设阈值，则将该训练样本可以作为与目标样本相似的第一样本。若是该距离大于预设阈值，则将该训练样本可以作为与目标样本不相似的第二样本。
89.步骤s303，在各个第一样本中确定正样本，并在各个第二样本中确定负样本。
90.训练装置在确定各个第一样本以及各个第二样本后，则将各个第一样本中确定正样本，且在各个第二样本中确定负样本。
91.需要说明的是，训练装置在初步确定正样本以及负样本后，需要计算初步确定的正样本与目标样本之间的第一距离，且需要计算初步确定的负样本与目标样本之间的第二距离，若是第一距离小于或等于预设阈值，小于第二距离，则初步确定的正样本作为最终的正样本，且将初步确定的负样本作为最终的负样本。
92.步骤s304，根据目标样本、正样本以及负样本构建三元组样本。
93.在得到目标样本、目标样本的负样本以及目标样本的正样本后，即可将正样本、目标样本以及负样本作为一组三元组样本，也即基于目标样本、正样本以及负样本构建三元组样本。
94.在本实施例中，通过将与目标样本相似的样本作为正样本，且将与目标样本不相似的样本作为负样本，使得相似度高的样本数据间的距离被拉进，且将相似度低的样本数据间的距离拉远，从而训练出分类效果良好的分类模型。
95.参照图4，图4为本公开分类模型的训练方法的第三实施例，基于第二实施例，步骤s302包括：
96.步骤s401，获取正样本与目标样本之间的第一距离，并获取各个第二样本与目标样本之间的第二距离。
97.在本实施例中，采用深度度量学习的方式进行模型的训练。在多个第一样本中选择的正样本、在多个第二样本中选择的负样本、以及目标样本构成的三元组样本分为三类。参照图5，三元组样本分为easy triplets、hard triplets和semi-hard triplets，positive指的是正样本，anchor指的是目标样本，negative指的是负样本，单箭头的长度指的是样本之间的距离的大小，marin是预设阈值。图5中(a)easy triplets指的是三元组中正样本和目标样本间的第一距离很近，而负样本和目标样本间的第三距离很远，且第三距
离与第一距离的差值大于预设阈值，这类三元组在深度度量学习中的损失为0，不需要优化。图5中(b)hard triplets指的是三元组中正样本和目标样本间的第一距离，比负样本和目标样本间的第三距离大，这类三元组在深度度量学习中的损失最大，需要优化。图5中(c)semi-hard triplets指的是三元组中正样本和目标样本间的第一距离，比负样本和目标样本间的第三距离小，且第一距离与预设阈值之和是大于第三距离的，这类三元组在深度度量学习中的损失比hard triplets小，但也需要优化。在这三类三元组样本中，easy triplets因为损失为0，用来训练的话效果很小；hard triplts理论上来说训练效果最好，但由于margin的存在，这类三元组的训练比较困难，可能会导致模型无法拟合，所以semi-hard triplets是训练中的最优选。对此，推荐装置需要组合成semi-hard triplets的三元组样本。
98.具体的，训练装置先在各个第一样本中确定正样本，再获取正样本与目标样本之间的第一距离，再计算各个第二样本与目标样本之间的第二距离。
99.步骤s402，确定各个第二距离与第一距离之间的第一差值。
100.步骤s403，将小于预设阈值的第一差值对应的第二样本确定负样本。
101.semi-hard triplets指的是三元组中正样本和目标样本间的第一距离，比负样本和目标样本间的第三距离小，且第一距离与预设阈值之和是大于第三距离的，也即第一距离与第二距离之间的差值是需要小于预设阈值的。对此，装置确定各个第二距离与第一距离之间的第一差值，训练装置将小于预设阈值的第一差值所对应的第二样本确定为负样本。
102.在一示例中，小于预设阈值的第一差值有多个，也即组合成semi-hard triplets的第二样本有多个，在这些第二样本中选择与正样本距离最近的第二样本作为负样本，这种负样本是semi-hard triplets中最好的负样本。
103.在另一示例中，组合成semi-hard triplets的第二样本有多个，这些第二样本均是作为semi-hard triplets的优质负样本，可在多个优质负样本中随机选择一个作为三元组的负样本，减少寻找最好负样本所需的计算资源。
104.可以理解的是，对于一对anchor-positive样本对(anchor-positive样本对为目标样本与正样本)，符合标准的负样本必须满足d1＞d2(d1为第一距离，d2为第三距离)，即负样本与目标样本之间的距离必须大于正样本与目标样本之间的距离。而在这些符合标准的负样本中，可以与anchor-positive样本对组合成semi-hard triplets的负样本必须满足d
1-d2＜a(a为预设阈值)，即负样本和目标样本之间的距离，与正样本和目标样本之间的距离的差值小于预设阈值，这样才能帮助预设模型的损失函数收敛。
105.进一步的，预设模型的损失函数根据正样本与目标样本之间的距离、负样本与目标样本之间的距离以及预设阈值设置。
106.损失函数l(xa,x
p
,xn,w,b)为：
[0107][0108]
其中，xa表示目标样本，x
p
表示正样本，xn表示负样本，w是神经网络的权重矩阵，b是神经网络的偏置项。f(
·
)表示神经网络得到的映射函数，表示第i个三元组中目
标样本的特征向量在映射空间中的位置，表示第i个三元组中正样本的特征向量在映射空间中的位置，表示第i个三元组中负样本的特征向量在映射空间中的位置，表示在映射空间中，第i个三元组中正样本与目标样本之间的欧式距离之差，表示在新的映射空间中，第i个三元组中目标样本与负样本之间的欧式距离之差。a是预设阈值，又被称作margin，如果第i个三元组中目标样本与正样本之差和目标样本与负样本之差之间的差值越接近margin，则损失函数l的值越接近于0。
[0109]
需要说明的是，在得到各个三元组样本后，将三元组样本输入预设模型的卷积神经网络进行特征向量的二次提取，预设模型再对提取的特征向量进行分类，从而对用户分组，用户分组由预设模型的分类器完成。
[0110]
在本实施例中，训练装置寻找训练效果最好的三元组样本，从而训练得到分类效果良好的分类模型。
[0111]
本公开还提供一种推荐装置，参照图6，推荐装置600包括：
[0112]
第一获取模块610，用于获取待推荐用户的基础信息以及购买金融产品的行为信息；
[0113]
构建模块620，用于根据基础信息以及行为信息构建待推荐用户的特征向量；
[0114]
输入模块630，用于将特征向量输入至分类模型，得到分类模型的输出结果，并根据输出结果确定待推荐用户所属的客户群体；
[0115]
确定模块640，用于确定客户群体对应的目标推送方式以及目标金融产品，并按照目标推荐方式向待推荐用户关联的终端推送目标金融产品的信息。
[0116]
本公开还提供一种分类模型的训练装置，参照图7，分类模型的训练装置700包括：
[0117]
第二获取模块710，用于获取各个训练样本，训练样本由第一用户的基础信息以及购买金融产品的行为信息确定；
[0118]
第二获取模块710，还用于根据各个训练样本获得多个三元组样本，三元组样本由目标样本、正样本以及负样本构成；
[0119]
训练模块720，用于根据各个三元组样本对预设模型进行训练得到分类模型，分类模型用于根据待推荐用户的基础信息以及购买金融产品的行为信息确定待推荐用户所属的客户群体。
[0120]
在一实施例中，分类模型的训练装置700包括：
[0121]
确定模块，用于在各个训练样本中确定目标样本；
[0122]
确定模块，用于在各个训练样本中确定与目标样本相似的多个第一样本，并在各个训练样本中确定与目标样本不相似的多个第二样本；
[0123]
确定模块，用于在各个第一样本中确定正样本，并在各个第二样本中确定负样本；
[0124]
构建模块，用于根据目标样本、正样本以及负样本构建三元组样本。
[0125]
在一实施例中，分类模型的训练装置700包括：
[0126]
第二获取模块710获取正样本与目标样本之间的第一距离，并获取各个第二样本与目标样本之间的第二距离；
[0127]
确定模块，用于确定各个第二距离与第一距离之间的第一差值；
[0128]
确定模块，用于将小于预设阈值的第一差值对应的第二样本确定负样本。
[0129]
在一实施例中，预设模型的损失函数根据正样本与目标样本之间的距离、负样本与目标样本之间的距离、以及预设阈值设置。
[0130]
图8是根据一示例性实施例示出的一种推荐设备/分类模型的训练设备的硬件结构图。
[0131]
推荐设备/分类模型的训练设备800可以包括：处理器801，例如cpu，存储器802以及收发器803。本领域技术人员可以理解，图8中示出的结构并不构成对推荐设备/分类模型的训练设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。存储器802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，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0132]
处理器801可以调用存储器802内存储的计算机程序，以完成上述的推荐方法的全部或部分步骤，或分类模型的训练方法的全部或部分步骤。
[0133]
收发器803用于接收外部设备发送的信息以及向外部设备发送信息。
[0134]
一种非临时性计算机可读存储介质，当该存储介质中的指令由推荐设备的处理器执行时，使得推荐设备能够执行上述推荐方法，当该计算机程序由分类模型的训练设备的处理器执行时，使得分类模型的训练设备能够执行上述分类模型的训练方法。
[0135]
一种计算机程序产品，包括计算机程序，当该计算机程序由推荐设备的处理器执行时，使得推荐设备能够执行上述推荐方法，当该计算机程序由分类模型的训练设备的处理器执行时，使得分类模型的训练设备能够执行上述分类模型的训练方法。
[0136]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者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中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求书指出。
[0137]
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。