(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210875601.1 (22)申请日 2022.07.25 (71)申请人 中国工商银行股份有限公司 地址 100140 北京市西城区复兴门内大街 55号 (72)发明人 王彤　 (74)专利代理 机构 北京同立钧成知识产权代理 有限公司 1 1205 专利代理师 吴会英　黄健 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/00(2006.01) G06Q 30/02(2012.01) (54)发明名称 模型训练方法、 用户分类方法、 装置、 设备、 介质及产品 (57)摘要 本申请提供一种模型训练方法、 用户分类方 法、 装置、 设备、 介质及产品， 应用于人工智能领 域。 模型训练方法包括： 获取训练样本数据， 采用 训练样本 数据及减法聚类算法计算RBF网络模型 的隐节点数； 采用训练样本数据及RBF网络模型 的隐节点数确定对用户进行分类的径向基函数 RBF网络模型对应的训练后的基函数中心及宽 度； 计算RBF网络模型对应的初始连接权值， 以获 得初步训练后的RBF网络模型； 采用改进的粒子 群算法对初步训练后的RBF网络模型中的初始连 接权值进行优化， 并将优化后的RBF网络模型确 定为用户分类模型。 由于提高了RBF网络模型参 数的准确性， 因此提高了该模型的精度， 从而提 高了用户分类模型对用户进行分类的准确度。 权利要求书3页 说明书13页 附图4页 CN 115169486 A 2022.10.11 CN 115169486 A 1.一种用户分类模型训练方法， 其特 征在于， 包括： 获取训练样本数据， 采用训练样本数据及减法聚类算法计算RBF网络模型的隐节点数； 所训练样本数据包括多个用户的分类指标 数据； 采用训练样本数据及所述RBF网络模型的隐节点数确定对用户进行分类的径向基函数 RBF网络模型对应的训练后的基函数中心及宽度； 计算RBF网络模型对应的初始连接权值， 以获得初步训练后的RBF网络模型， 所述初步 训练后的RBF网络模型中包括训练后的基函数中心及宽度； 采用改进的粒子群算法对所述初步训练后的RBF网络模型中的初始连接权值进行优 化， 并将优化后的RBF网络模型确定为用户分类模型。 2.根据权利要求1所述的方法， 其特征在于， 所述采用训练样本数据及减法聚类算法计 算RBF网络模型的隐节点数， 包括： 对所述训练样本数据进行 标准化处理； 采用标准 化后的训练样本数据及减法聚类算法计算RBF网络模型的隐节点数。 3.根据权利要求2所述的方法， 其特征在于， 所述采用标准化后的训练样本数据及减法 聚类算法计算RBF网络模型的隐节点数， 包括： 采用减法聚类算法对所述标准化后的训练样本数据进行聚类， 以确定所述标准化后的 训练样本数据的聚类中心； 确定所述聚类中心的个数， 并将所述聚类中心的个数确定为RBF网络模型的隐节点数。 4.根据权利要求2所述的方法， 其特征在于， 所述采用训练样本数据及所述RBF网络模 型的隐节点数确定对用户进 行分类的径向基函数RBF网络模 型对应的训练后的基函数中心 及宽度， 包括： 根据所述RBF网络模型的隐节点数确定初始基函数中心； 采用模糊K ‑Prototyp es算法及 标准化后的训练样本数据更新所述初始基函数中心， 以 确定RBF网络模型的基函数中心； 根据基函数中心之间的距离确定基函数宽度。 5.根据权利 要求4所述的方法， 其特征在于， 所述采用模糊K ‑Prototyp es算法及标准化 后的训练样本数据更新所述初始基函数中心， 以确定RBF网络模型的基函数中心， 包括： 采用模糊K ‑Prototypes算法计算标准化后的训练样本数据与初始基函数中心的相异 度之和； 采用模糊K ‑Prototyp es算法更新初始基函数中心以获得当前基函数中心， 并计算标准 化后的训练样本数据与当前基函数中心的当前相异度之和； 若所述当前相异度之和与 上一相异度之和之差的绝对值大于误差限， 则更新当前聚类 中心； 若所述当前相异度之和与 上一相异度之和之差的绝对值小于或等于误差限， 则将当前 聚类中心确定为RBF网络模型的基函数中心。 6.根据权利要求1所述的方法， 其特征在于， 所述采用改进的粒子群算法对所述初步训 练后的RBF网络模型中的初始连接 权值进行优化， 包括： 将训练样本数据输入粒子群中各粒子对应的初步训练后的RBF网络模型中， 以获取各 粒子对应的均方误差； 所述粒子群由多个粒子组成， 所述粒子群中的各粒子对应不同的连权　利　要　求　书 1/3 页 2 CN 115169486 A 2接权值； 若各粒子对应的均 方误差中不存在小于预设均 方误差阈值的均方误差， 则更新粒子群 中各粒子并计算各 更新后的粒子对应的均方误差； 若各粒子对应的均 方误差中存在小于预设均 方误差阈值的均 方误差， 则确定该均 方误 差对应粒子， 将该粒子所对应的连接权值确定为最优连接权值， 将最优连接权值映射为初 步训练后的RBF网络模型中的连接 权值， 形成优化后的RBF神经网络 。 7.一种用户分类方法， 其特 征在于， 包括： 获取待分类用户的分类指标 数据； 将所述分类指标数据输入用户分类模型中以对待分类用户进行分类， 并获得输出的对 该用户的分类结果； 所述用户分类模型为通过权利要求1 ‑7中任一项所述的用户分类模型 训练方法得到的。 8.根据权利要求7所述的方法， 其特征在于， 所述获得输出的对该用户的分类结果之 后， 还包括： 根据对该用户的分类结果确定与该用户相匹配的服 务信息或产品信息； 将所述服务信息或产品信息推送至该用户对应的用户终端。 9.一种用户分类模型训练装置， 其特 征在于， 包括： 获取模块， 用于获取训练样本数据； 计算模块， 用于采用训练样本数据及减法聚类算法计算RBF网络模型的隐节点数； 所训 练样本数据包括多个用户的分类指标 数据； 基函数确定模块， 用于采用训练样本数据及所述RBF网络模型的隐节点数确定对用户 进行分类的径向基函数RBF网络模型对应的训练后的基函数中心及宽度； 计算模块， 还用于计算RBF网络模型对应的初始连接权值， 以获得初步训练后的RBF网 络模型， 所述初步训练后的RBF网络模型中包括训练后的基函数中心及宽度； 优化模块， 用于采用改进的粒子群算法对所述初步训练后的RBF网络模型中的初始连 接权值进行优化， 并将优化后的RBF网络模型确定为用户分类模型。 10.一种用户分类装置， 其特 征在于， 包括： 获取模块， 用于获取待分类用户的分类指标 数据； 分类模块， 用于将所述分类指标数据输入用户分类模型中以对待分类用户进行分类， 并获得输出的对该用户的分类结果； 所述用户分类模型为通过权利要求1 ‑7中任一项所述 的用户分类模型训练方法得到的。 11.一种电子设备， 其特征在于， 包括： 处理器， 以及与 所述处理器通信连接的存储器和 收发器； 所述存储器存储计算机执 行指令； 所述收发器用于收发数据； 所述处理器执行所述存储器存储的计算机执行指令， 以实现如权利要求1 ‑7中任一项 或权利要求8 ‑9中任一项所述的方法。 12.一种计算机可读存储介质， 其特征在于， 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权利要求1 ‑7中任一项或权利 要求8‑9中任一项所述的方法。 13.一种计算机程序产品， 包括计算机执行指令， 其特征在于， 所述计算机执行指令被权　利　要　求　书 2/3 页 3 CN 115169486 A 3