《智能授信方法及智能授信装置.pdf》由会员分享,可在线阅读,更多相关《智能授信方法及智能授信装置.pdf(12页完整版)》请在专利查询网上搜索。
1、(10)申请公布号 CN 103839183 A (43)申请公布日 2014.06.04 CN 103839183 A (21)申请号 201410101102.2 (22)申请日 2014.03.19 G06Q 40/02(2012.01) (71)申请人 江苏苏大大数据科技有限公司 地址 215000 江苏省苏州市苏州工业园区通 园路 208 号 (72)发明人 严建峰 朱利民 李云飞 郝丹 (74)专利代理机构 苏州市中南伟业知识产权代 理事务所(普通合伙) 32257 代理人 杨明 (54) 发明名称 智能授信方法及智能授信装置 (57) 摘要 本发明公开一种智能授信方法及智能授信装。
2、 置, 所述方法包括采集贷款客户的资料数据 ; 对 采集的所述资料数据进行校核处理, 建立贷款客 户的资料数据库 ; 基于标准案例库, 采用预定分 析方法对所述资料数据库进行分析, 筛选出与授 信相关的特征集 ; 采用预定分类方法基于所述标 准案例库, 对所述特征集进行数据训练, 得到授信 模型 ; 基于所述授信模型, 对贷款客户的授信请 求进行相应的授信操作 ; 所述方法还包括 : 更新 所述资料数据库、 更新所述特征集, 更新所述授信 模型。 本发明减少了人工授信的工作量, 提高了授 信效率。 (51)Int.Cl. 权利要求书 2 页 说明书 8 页 附图 1 页 (19)中华人民共和国。
3、国家知识产权局 (12)发明专利申请 权利要求书2页 说明书8页 附图1页 (10)申请公布号 CN 103839183 A CN 103839183 A 1/2 页 2 1. 一种智能授信方法, 其特征在于, 所述方法包括 : 采集贷款客户的资料数据 ; 对采集的所述资料数据进行校核处理, 建立贷款客户的资料数据库 ; 基于标准案例库, 采用预定分析方法对所述资料数据库进行分析, 筛选出与授信相关 的特征集 ; 采用预定分类方法基于所述标准案例库, 对所述特征集进行数据训练, 得到授信模 型 ; 基于所述授信模型, 对贷款客户的授信请求进行相应的授信操作 ; 所述方法还包括 : 更新所述资料。
4、数据库、 更新所述特征集, 更新所述授信模型。 2. 根据权利要求 1 所述的智能授信方法, 其特征在于, 所述预定分析方法包括深度学 习方法和 / 或主成分分析法。 3. 根据权利要求 1 所述的智能授信方法, 其特征在于, 所述预定分类方法包括支持向 量机方法、 人工神经网络或 / 和决策树。 4. 根据权利要求 1 所述的智能授信方法, 其特征在于, 所述校核处理至少包括对所述 资料数据进行清理、 数据集成、 数据变换、 数据归约。 5. 根据权利要求 1 所述的智能授信方法, 其特征在于, 所述客户信息资料至少包括 : 客 户姓名或名称、 客户行业背景、 信用记录、 最近三个月内的贷款。
5、、 还款记录、 工商信息、 信用 信息和或税务信息。 6. 根据权利要求 1 所述的智能授信方法, 其特征在于, 所述方法还包括预先输入或存 储所述标准案例库的步骤。 7. 一种智能授信装置, 其特征在于, 包括 : 客户信息采集模块, 用于采集贷款客户的资料数据 ; 数据库建立模块, 用于对所述客户信息采集模块采集的所述资料数据进行校核处理, 建立贷款客户的资料数据库 ; 特征集提取模块, 用于基于标准案例库, 采用预定分析方法对所述资料数据库进行分 析, 筛选出与授信相关的特征集 ; 授信模型生成模块, 用于采用预定分类方法基于所述标准案例库, 对所述特征集进行 数据训练, 得到授信模型 。
6、; 授信模块, 基于所述授信模型, 对贷款客户的授信请求进行相应的授信操作 ; 管理模块, 用于更新所述资料数据库、 更新所述特征集, 所述授信模型生成模块基于更 新后的所述特征集更新所述授信模型。 8. 根据权利要求 7 所述的智能授信装置, 其特征在于, 所述特征集提取模块包括包括 深度学习方法单元和 / 或主成分分析法单元, 其中 所述深度学习单元, 采用深度学习的方法基于标准案例库对所述资料数据库进行分 析, 筛选出与授信相关的特征集 ; 所述主成分分析单元, 采用主成分分析的方法基于标准案例库对所述资料数据库进行 分析, 筛选出与授信相关的特征集。 9. 根据权利要求 7 所述的智能。
7、授信装置, 其特征在于, 授信模型生成模块包括支持向 量机单元、 人工神经网络单元或 / 和决策树单元, 其中, 权 利 要 求 书 CN 103839183 A 2 2/2 页 3 所述支持向量机单元, 采用支持向量机方法基于所述标准案例库, 对所述特征集进行 数据训练, 得到授信模型 ; 所述人工神经网络单元, 采用人工神经网络方法基于所述标准案例库, 对所述特征集 进行数据训练, 得到授信模型 ; 所述决策树单元, 采用决策树方法基于所述标准案例库, 对所述特征集进行数据训练, 得到授信模型。 10. 根据权利要求 7 所述的智能授信装置, 其特征在于, 所述智能授信装置为 PC、 笔记。
8、 本、 平板电脑、 手机、 个人移动终端。 权 利 要 求 书 CN 103839183 A 3 1/8 页 4 智能授信方法及智能授信装置 技术领域 0001 本发明涉及金融信用服务领域, 具体涉及一种智能授信方法及智能授信装置。 背景技术 0002 银行授信系统是根据公司客户资料、 行业背景、 信用记录等自然信息, 对公司企业 进行授信评估。其主要的功能包括授信申请、 综合授信、 批量授信。因此, 系统的建设目标 是要建立以全行为中心、 覆盖各级下属机构以及信贷网点的授信业务服务平台。 0003 现在人工授信过程的缺点包括至少三点 : (1) 信贷部门需要全方位判断贷款客户的信用, 但是客。
9、户倾向于递交对自身有利的材 料, 而忽略甚至造假部分材料, 以期获得较高信用评价。 真正对评估用户信用有价值的数据 很可能没有出现在用户申请材料中。 0004 (2) 授信的调查由人工完成, 过程漫长。为确保授信的准确性, 银行需要用户递交 的上百页的待审核材料。 目前采用人工核定这些材料的方式, 非常费时费力, 需要长达数月 的时间, 效率低, 很影响用户体验。 0005 (3) 授信过程难度较高, 人工判断需要较丰富经验。 需要客户经理综合判断的数据 达到上千项, 需要非常丰富的信贷经验和冷静出色的判断能力。而拥有丰富经验的信贷专 家的比例毕竟很小, 而且易受主观因素影响, 容易造成授信过。
10、程中存在较大的不确定性。 发明内容 0006 针对上述问题, 本发明提供一种减少了人工授信工作量的智能授信方法及智能授 信装置。 0007 为达到上述目的, 本发明智能授信方法, 所述方法包括 : 采集贷款客户的资料数据 ; 对采集的所述资料数据进行校核处理, 建立贷款客户的资料数据库 ; 基于标准案例库, 采用预定分析方法对所述资料数据库进行分析, 筛选出与授信相关 的特征集 ; 采用预定分类方法基于所述标准案例库, 对所述特征集进行数据训练, 得到授信模 型 ; 基于所述授信模型, 对贷款客户的授信请求进行相应的授信操作 ; 所述方法还包括 : 更新所述资料数据库、 更新所述特征集, 更新。
11、所述授信模型。 0008 优选地, 所述预定分析方法包括深度学习方法和 / 或主成分分析法。 0009 优选地, 所述预定分类方法包括支持向量机方法、 人工神经网络或 / 和决策树。 0010 进一步地, 所述校核处理至少包括对所述资料数据进行清理、 数据集成、 数据变 换、 数据归约。 0011 进一步地, 所述客户信息资料至少包括 : 客户姓名或名称、 客户行业背景、 信用记 录、 最近三个月内的贷款、 还款记录、 工商信息、 信用信息和或税务信息。 说 明 书 CN 103839183 A 4 2/8 页 5 0012 特别地, 所述方法还包括预先输入或存储所述标准案例库的步骤。 001。
12、3 为达到上述发明目的, 本发明智能授信装置, 包括 : 客户信息采集模块, 用于采集贷款客户的资料数据 ; 数据库建立模块, 用于对所述客户信息采集模块采集的所述资料数据进行校核处理, 建立贷款客户的资料数据库 ; 特征集提取模块, 用于基于标准案例库, 采用预定分析方法对所述资料数据库进行分 析, 筛选出与授信相关的特征集 ; 授信模型生成模块, 用于采用预定分类方法基于所述标准案例库, 对所述特征集进行 数据训练, 得到授信模型 ; 授信模块, 基于所述授信模型, 对贷款客户的授信请求进行相应的授信操作 ; 管理模块, 用于更新所述资料数据库、 更新所述特征集, 所述授信模型生成模块基于。
13、更 新后的所述特征集更新所述授信模型。 0014 优选地, 所述特征集提取模块包括包括深度学习方法单元和 / 或主成分分析法单 元, 其中 所述深度学习单元, 采用深度学习的方法基于标准案例库对所述资料数据库进行分 析, 筛选出与授信相关的特征集 ; 所述主成分分析单元, 采用主成分分析的方法基于标准案例库对所述资料数据库进行 分析, 筛选出与授信相关的特征集。 0015 优选地, 授信模型生成模块包括支持向量机单元、 人工神经网络单元或 / 和决策 树单元, 其中, 所述支持向量机单元, 采用支持向量机方法基于所述标准案例库, 对所述特征集进行 数据训练, 得到授信模型 ; 所述人工神经网络。
14、单元, 采用人工神经网络方法基于所述标准案例库, 对所述特征集 进行数据训练, 得到授信模型 ; 所述决策树单元, 采用决策树方法基于所述标准案例库, 对所述特征集进行数据训练, 得到授信模型。 0016 具体地, 所述智能授信装置为 PC、 笔记本、 平板电脑、 手机、 个人移动终端。 0017 本发明智能授信方法及智能授信装置, 通过对大量客户资料进行预处理, 建立大 数据的客户资料数据库, 基于标准案例对数据库进行一系列的机器学习, 最终得到授信模 型, 基于授信模型对授信请求进行相应的操作, 减少了传统状态下人工授信的工作量, 传统 需要人工来操作的程序, 借助于计算机或其他数据处理终。
15、端进行操作, 在大量减少了传统 人工授信操作的人工的工作量的同时提高了授信的效率, 优化了授信的准确率。 附图说明 0018 图 1 是本发明智能授信方法的流程图。 具体实施方式 0019 下面结合说明书附图对本发明做进一步的描述。 0020 本发明智能授信方法, 所述方法包括 : 说 明 书 CN 103839183 A 5 3/8 页 6 采集贷款客户的资料数据 ; 对采集的所述资料数据进行校核处理, 建立贷款客户的资料数据库 ; 基于标准案例库, 采用预定分析方法对所述资料数据库进行分析, 筛选出与授信相关 的特征集 ; 采用预定分类方法基于所述标准案例库, 对所述特征集进行数据训练, 。
16、得到授信模 型 ; 基于所述授信模型, 对贷款客户的授信请求进行相应的授信操作 ; 所述方法还包括 : 更新所述资料数据库、 更新所述特征集, 更新所述授信模型。 0021 本发明智能授信装置, 包括 : 客户信息采集模块, 用于采集贷款客户的资料数据 ; 数据库建立模块, 用于对所述客户信息采集模块采集的所述资料数据进行校核处理, 建立贷款客户的资料数据库 ; 特征集提取模块, 用于基于标准案例库, 采用预定分析方法对所述资料数据库进行分 析, 筛选出与授信相关的特征集 ; 授信模型生成模块, 用于采用预定分类方法基于所述标准案例库, 对所述特征集进行 数据训练, 得到授信模型 ; 授信模块。
17、, 基于所述授信模型, 对贷款客户的授信请求进行相应的授信操作 ; 管理模块, 用于更新所述资料数据库、 更新所述特征集, 所述授信模型生成模块基于更 新后的所述特征集更新所述授信模型。 0022 实施例 1 本实施例智能授信方法, 所述方法包括 : 采集贷款客户的资料数据, 在本实施例中例如如个人最近三个月的银行流水、 十二个 月内的收支情况、 社交数据、 法律处理相关数据、 税务记录、 社保记录等, 该资料数据根据不 同的行业, 不同的情况具体决定, 在本实施例中将不进行一一列举, 该资料数据的采集根据 实际情况具体决定, 不限于本实施例所列举的情况 ; 对采集的所述资料数据进行校核处理,。
18、 建立贷款客户的资料数据库, 其中所述校核处 理包括, 数据清理、 数据集成、 数据变换、 数据归约 ; 基于标准案例库, 采用深度学习方法对所述资料数据库进行分析, 筛选出与授信相关 的特征集 ; 采用支持向量机方法基于所述标准案例库, 对所述特征集进行数据训练, 得到授信模 型 ; 基于所述授信模型, 对贷款客户的授信请求进行相应的授信操作 ; 所述方法还包括 : 更新所述资料数据库、 更新所述特征集, 更新所述授信模型。 0023 在本实施例中, 数据清理, 是在削除数据中错误和修改数据不一致的地方, 并解决 对象识别出现的问题。比如, 在处理空值时, 直接删除空值, 或者补齐空值。 0。
19、024 数据集成, 将多个数据源中的数据结合起来并统一存储, 建立数据库。 0025 数据变换的工作有两大类, 一是数据离散化, 二是格式变换。比如对个人贷款, 并 对其进行离散化, 根据贷款份额进行分段。比如数据金额的万元、 百万元的格式转换, 还有 汇率百分比的格式变换。 说 明 书 CN 103839183 A 6 4/8 页 7 0026 数据归约, 在数据量相当大时候, 可以利用数据归约技术, 得到数据集的归约表 示, 原数据仍然保持完整性。 0027 本实施例中采用深度学习方法在数据库中筛选出所需的特征集, 由于资料数据库 内存储的客户资料数据条目成本上千项, 甚至更多, 故在本实。
20、施例中不对具体何种客户资 料进行具体限定, 同时也不对采用深度学习方法提取的特征集做具体说明, 本实施例仅仅 用于介绍智能授信方法的实施过程。 0028 在本实施例中使用的深度学习方法, 深度学习的训练过程 : (1) 使用自底向上非监督学习 : 采用无标定数据 (有标定数据也可) 分层训练各层参 数, 即特征学习的无监督训练过程 : 先用无标定数据训练第一层, 训练时先学习第一层的参 数也就是使得输出和输入差别最小的三层神经网络的隐层, 在次之后在学习得到第 n-1 层 后, 将 n-1 层的输出作为第 n 层的输入, 继续训练第 n 层, 通过这样的方法分别得到各层的 参数。 0029 (。
21、2) 自顶向下的监督学习 : 基于第一步得到的各层参数进一步修正整个多层模型 的参数进行有监督训练过程, 通过带标签的数据去训练, 误差自顶向下传输, 对网络进行微 调。 0030 在本实施例中使用的支持向量机的简单介绍, 支持向量机主要将求分类函数 的问题转化为求最大分类间隔, 继而转化为对 w,b 的最优化问题。数据是包 含噪音的, 考虑到离散群点, 引入松弛变量, 这样优化目标就转化为 : , 其中 C 是一个用于控制目标函数中寻找间隔最大的超平面和保证数据点偏差量最小 之间的权重的参数。采用 Lagrange 乘数法进行求解转化为对偶问题 这样求w和b与求等价, 求解可以使用快速学习算。
22、法SMO,在处理非线性可分的情 况, 使用核函数将特征从低维空间映射到高维中。 0031 实施例 2 本实施例智能授信方法, 所述方法包括 : 采集贷款客户的资料数据, 在本实施例中例如所述客户信息资料至少包括 : 客户姓名 或名称、 客户行业背景、 信用记录、 最近三个月内的贷款、 还款记录、 工商信息、 信用信息和 或税务信息等, 该资料数据根据不同的行业, 不同的情况具体决定, 在本实施例中将不进行 一一列举, 该资料数据的采集根据实际情况具体决定, 不限于本实施例所列举的情况 ; 对采集的所述资料数据进行校核处理, 建立贷款客户的资料数据库 ; 基于标准案例库, 采用主成分分析方法对所。
23、述资料数据库进行分析, 筛选出与授信相 关的特征集 ; 说 明 书 CN 103839183 A 7 5/8 页 8 采用决策树方法基于所述标准案例库, 对所述特征集进行数据训练, 得到授信模型 ; 基于所述授信模型, 对贷款客户的授信请求进行相应的授信操作 ; 所述方法还包括 : 更新所述资料数据库、 更新所述特征集, 更新所述授信模型。 0032 在本实施例中, 数据的校核处理和实施例 1 中相同。 0033 本实施例中采用主成分分析方法在数据库中筛选出所需的特征集, 由于资料数据 库内存储的客户资料数据条目成本上千项, 甚至更多, 故在本实施例中不对具体何种客户 资料进行具体限定, 同时。
24、也不对采用主成分分析方法提取的特征集做具体说明, 本实施例 仅仅用于介绍智能授信方法的实施过程。 0034 本实施例中, 主成份分析法的作用与深度学习类似, 但实施起来更为简单, 精度也 略低。 主成分分析方法的简单介绍, 采用主成分分析法在数学上对数据进行降维, 设法将原 来众多的具有一定的相关性的指标, 重新组合成较少个数的互不相关的综合性指标。主成 分分析法的流程 :(1) 构造样本阵, 对样本阵进行标准化变换 (2) 对标准化阵求相关系数矩 阵 (3) 解出样本相关矩阵的特征方程的特征根 (4) 根据累计贡献率确定主成分 (5) 计算主 成分载荷 (6) 计算主成分得分 原指标相关系数。
25、矩阵相应的特征值为主成分方差的贡献, 根据特征值的大小来提取主 成分, 如果方差的贡献率越大, 则说明主成分反映信息的能力越大。 0035 本实施例中决策树方法的简单介绍, 决策树主要包含决策树的构造和决策树的剪 枝两个部分。 0036 (1) 决策树的构造, 利用核心算法通过自顶向下构造决策树来进行学习, 分类能力 最好的属性被选作根节点来进行测试, 衡量属性价值主要通过信息增益。其中涉及到主要 两种公式 : 1) 布尔型分类的熵计算公式为 :, 其中是 S 中正 例的比例, 是在 S 中反例的比例, 定义。如果目标属性具有 c 个不同的值, 更 一般的形式为 :, 其中, 是 S 中属于类。
26、别 i 的比例。 0037 2) 属性 A 相对样例集合 S 的信息增益 Gain(S,A) 为 , 其 中 ,是属性值 A 的所有的可能值的集合, 是 S 中属性 A 的值为 v 的子集。 0038 通过以上的公式我们通过信息增益并且来评估属性的分类能力, 进行决策树的构 造。 0039 决策树的剪枝, 在决策树的构造中, 为了解决过度拟合现象, 主要采用规则后修剪 方法。主要通过训练集合的属性值推导出决策树之后, 将决策树从根节点到每一个叶子节 点的路径创建一个规则, 转化为等价规则集合, 删除能够使估计精度提高的的前件来修剪 规则, 再通过修剪过的规则的估计精度进行排序, 根据这样顺序应。
27、用规则来分类。 0040 上述各实施例中, 对所述特征集的训练方法还包括人工神经网络的方法, 本发明 不限定训练集的具体筛选方法和特征集的具体训练方法, 不仅仅限于本发明实施例所列举 的情况。 说 明 书 CN 103839183 A 8 6/8 页 9 0041 上述各实施例中, 采用预定分析方法对所述资料数据库进行分析, 筛选出与授信 相关的特征集, 所述预定分析方法至少包括深度学习方法和 / 或主成分分析法。 0042 上述各实施例中, 采用预定分类方法基于所述标准案例库, 对所述特征集进行数 据训练, 得到授信模型, 所述预定分类方法包括支持向量机方法、 人工神经网络或 / 和决策 树。
28、。 0043 上述各实施例中, 还包括预先输入或存储所述标准案例库的步骤, 所述标准案例 库也即授信的标准, 简单举例, 例如个人的年收入为 10 万, 则该个人可以获得的贷款额度 为 3 万, 该举例未必符合实际情况, 仅仅为了解释标准案例库的含义。 0044 实施例 3 本实施例智能授信装置, 该装置具体为个人 PC, 包括 : 客户信息采集模块, 用于采集贷款客户的资料数据 ; 数据库建立模块, 用于对所述客户信息采集模块采集的所述资料数据进行校核处理, 建立贷款客户的资料数据库 ; 特征集提取模块, 用于基于标准案例库, 采用预定分析方法对所述资料数据库进行分 析, 筛选出与授信相关的。
29、特征集 ; 授信模型生成模块, 用于采用预定分类方法基于所述标准案例库, 对所述特征集进行 数据训练, 得到授信模型 ; 授信模块, 基于所述授信模型, 对贷款客户的授信请求进行相应的授信操作 ; 管理模块, 用于更新所述资料数据库、 更新所述特征集, 所述授信模型生成模块基于更 新后的所述特征集更新所述授信模型。 0045 本实施例中, 所述特征集提取模块包括深度学习方法单元和主成分分析法单元, 其中 所述深度学习单元, 采用深度学习的方法基于标准案例库对所述资料数据库进行分 析, 筛选出与授信相关的特征集 ; 所述主成分分析单元, 采用主成分分析的方法基于标准案例库对所述资料数据库进行 分。
30、析, 筛选出与授信相关的特征集。 0046 所述特征集提取模块选择深度学习单元或主成分分析单元对所述资料数据库进 行分析, 筛选出与授信相关的特征集。本实施例中利用深度学习单元对所述资料数据库进 行分析, 筛选出与授信相关的特征集。 0047 本实施例中, 所述授信模型生成模块包括支持向量机单元、 人工神经网络单元和 决策树单元, 其中, 所述支持向量机单元, 采用支持向量机方法基于所述标准案例库, 对所述特征集进行 数据训练, 得到授信模型 ; 所述人工神经网络单元, 采用人工神经网络方法基于所述标准案例库, 对所述特征集 进行数据训练, 得到授信模型 ; 所述决策树单元, 采用决策树方法基。
31、于所述标准案例库, 对所述特征集进行数据训练, 得到授信模型。 0048 所述授信模型生成模块选择支持向量机单元、 人工神经网络单元或决策树单元对 对所述特征集进行数据训练, 得到授信模型。本实施例中利用人工神经网络单元对所述特 说 明 书 CN 103839183 A 9 7/8 页 10 征集进行数据训练, 得到授信模型。 0049 本实施例中使用的人工神经网络单元使用的人工神经网络方法的简单介绍, 神经 网络主要利用反向传播算法来学习网络的权值, 主要采用梯度下降的方法尝试最小化目标 值和网络输出值之间的误差平方。 0050 定义误差 :, 其中, outputs 是网络输出单 元的集合。
32、, 和是与训练样例 d 和第 k 个输出单元输出的相关值。 0051 根据每一个单独样例的误差增量计算权值更新, 采用随机梯度下降方法神经网络 的训练过程如下步骤 : (1) 创建输入, 隐藏单元, 还有输出单元的网络 (2) 初始化所有网络权值为小的随机值 (3) 对于每一个训练样例 1) 将实例输入网络, 计算网络中的每一个单元 u 的输出 2) 网络中的每一个输出单元 k, 计算误差项 3) 网络每一个隐藏单元 h, 计算误差项 4) 更新每一个网络的权值 (4) 直到遇到终止条件, 否则回到继续 (3) 执行 上述实施例1和实施例2的方法能够在PC、 笔记本、 平板电脑、 手机、 个人。
33、移动终端上运 行。 0052 上述实施例 3 中的智能授信装置不仅仅限于个人 PC, 还可以为笔记本、 平板电脑、 手机等个人移动终端上运行。 0053 上述各实施例中, 数据采集, 包括四个来源 : 用户自填数据项 (姓名、 年龄、 行业、 职 业等基本信息) 、 银行内部数据库、 网络数据源 (主要指社交网络数据) 和社会信用基础数据 (税务、 社保等数据, 很多地方已经建立这类数据库) 。 0054 数据预处理, 如数据清洗等常见处理 数据特征预处理, 使用深度学习等方法提取有效特征。 这个处理一般是一次性的, 一旦 获得有效特征后, 模型的参数就固定了。 0055 用户分类, 使用决策。
34、树、 随机森林等方法, 对用户进行分类, 形成授信结果。 0056 另外数据权重的问题, 指的是在决策树等方法中, 特征项的权重是不同的 (即不同 特征对分类结果的贡献不同) 。某些特征可能要被辅以较高的权重, 如平均月收入等, 某些 特征如行业特征的权重可能就小一点。首先会根据经验设定权重值 ; 然后采用的智能分类 方法一般可以自动对权重进行调整。 说 明 书 CN 103839183 A 10 8/8 页 11 0057 最后需要说明的是 : 以上实施例仅用于说明本发明的技术方案, 并非用于对本发 明的限制, 尽管参照上述实施例对本发明进行了详细的说明, 所属领域的技术人员应当理 解 : 依然可以对本发明的具体实施方式进行修改或者等同替换, 而未脱离本发明精神和范 围的任何修改或者等同替换, 其均应涵盖在本发明的权利要求范围内。 说 明 书 CN 103839183 A 11 1/1 页 12 图 1 说 明 书 附 图 CN 103839183 A 12 。