一种意向评估模型的训练方法、意向评估方法及装置与流程

本发明涉及计算机，尤其是一种意向评估模型的训练方法、意向评估方法及装置。

背景技术：

1、随着计算机技术的不断发展，在商品营销的应用场景下，将计算机技术运用到商品营销策略的指定中也愈发成熟。示例性地，相关技术可以结合用户自身特征和商品特征进行建模，通过构建得到的模型输出对各个待分析对象的预估评分，从而得到各个待分析对象对于特定商品的购买意向或者对于特定商店的到访意向，使得商家能够针对不同对象提供针对性的营销策略，提高商品交易的效率。

2、但是，相关技术在构建模型的过程中，只考虑了用户自身特征或商品自身特征，而不同客户在产生商品购买意向或商店访问意向时，不可避免会受到周围环境因素的影响，例如某个商店门口出现大量人群围观或大量揽客广告，有可能会提高用户的商店访问意向。因此，在目前的模型训练和模型评估过程中，无法结合相关周边环境因素来辅助评估，导致评估准确性不高。

技术实现思路

1、有鉴于此，本发明实施例提供一种意向评估模型的训练方法、意向评估方法及装置，能够利用周边环境信息来提高意向评估的准确性。

2、一方面，本发明实施例的一方面提供了一种意向评估模型的训练方法，包括：

3、获取待训练的原始特征集合；原始特征集合包括多个对象的线索特征；

4、对原始特征集合进行特征嵌入处理，得到原始特征集合中各个对象的线索特征的特征嵌入表示信息；

5、通过意向评估模型对特征嵌入表示信息进行特征映射处理，得到对象兴趣表示信息和上下文环境表示信息；其中，对象兴趣表示信息表征对象的自身兴趣，上下文环境表示信息表征对象所处的环境信息；自身兴趣和所述环境信息是影响所述对象的意向的因素；

6、对上下文环境表示信息进行深度聚类处理，得到各个上下文环境表示信息对应的类别预测结果；

7、对各个类别预测结果进行变换处理，得到各个上下文环境表示信息对应的权重信息；

8、根据权重信息对对象兴趣表示信息和上下文环境表示信息进行拼接处理，得到意向评估分数；

9、根据意向评估分数与意向标签之间的匹配程度，更新意向评估模型的模型参数。

10、另一方面，本发明实施例还提供了一种意向评估方法，包括：

11、将获取的目标对象的线索特征输入意向评估模型；其中，意向评估模型根据上述意向评估模型的训练方法确定；

12、对所述线索特征进行特征嵌入处理，得到所述目标对象的线索特征对应的特征嵌入表示

13、信息；

14、将所述特征嵌入表示信息进行特征映射处理，得到对象兴趣表示信息和上下文环境表示信息；其中，所述对象兴趣表示信息表征所述目标对象的自身兴趣，所述上下文环境表示信息表征所述目标对象所处的环境信息；

15、根据所述类别预测结果的权重信息，对所述对象兴趣表示信息和上下文环境表示信息进行拼接处理，综合拼接后的信息进行预测评估，得到所述目标对象的意向评估结果。

16、另一方面，本发明实施例还提供了一种意向评估方法，包括：

17、显示对象意向评估界面；对象意向评估界面包括对象标识输入框和意向评估控件；

18、响应于对意向评估控件的触发指令，获取对象标识输入框中各个对象的对象标识，显示对象意向排序界面；

19、其中，对象意向排序界面中每个对象的意向信息由意向评估模型生成；

20、意向评估模型根据上述意向评估模型的训练方法确定；

21、对象标识用于确定输入意向评估模型的特征集合。

22、另一方面，本发明实施例还提供了一种意向评估模型的训练装置，包括：

23、第一模块，用于获取待训练的原始特征集合；所述原始特征集合包括多个对象的线索特征；

24、第二模块，用于对所述原始特征集合进行特征嵌入处理，得到所述原始特征集合中各个对象的线索特征的特征嵌入表示信息；

25、第三模块，用于对所述特征嵌入表示信息进行特征映射处理，得到对象兴趣表示信息和上下文环境表示信息；其中，所述对象兴趣表示信息表征所述对象的自身兴趣，所述上下文环境表示信息表征所述对象所处的环境信息；所述自身兴趣和所述环境信息是影响所述对象的意向的因素；

26、第四模块，用于对所述上下文环境表示信息进行深度聚类处理，得到各个所述上下文环境表示信息对应的类别预测结果；

27、第五模块，用于对各个所述类别预测结果进行变换处理，得到各个所述上下文环境表示信息对应的权重信息；

28、第六模块，用于根据所述权重信息对所述对象兴趣表示信息和上下文环境表示信息进行拼接处理，得到意向评估分数；以及根据所述意向评估分数与意向标签之间的匹配程度，更新意向评估模型的模型参数；其中，所述意向评估模型用于确定对象的意向评估结果。

29、可选地，本发明实施例中的意向评估模型的训练装置，第二模块包括：

30、第一单元，用于根据所述原始特征集合中的各个对象的线索特征获取类别变量和连续值变量；所述类别变量用于表征对象的兴趣类别；所述连续值变量用于表征上下文环境信息；

31、第二单元，用于将所述类别变量和所述连续值变量进行对应的神经网络变换，得到各个对象的线索特征的所述特征嵌入表示信息。

32、可选地，本发明实施例中的意向评估模型的训练装置，第二单元包括：

33、第一子单元，用于根据对象的兴趣类别参数构建多维类别矩阵，在多维类别矩阵中查询类别变量对应的类别特征，得到类别变量对应的第一特征表示信息；

34、第二子单元，用于对连续值变量进行线性变换，得到连续值变量对应的第二特征表示信息；

35、第三子单元，用于将每个对象的第一特征表示信息和第二特征表示信息进行拼接，得到每个对象对应的特征嵌入表示信息。

36、可选地，本发明实施例中的意向评估模型的训练装置，第三模块包括：

37、第三单元，用于获取线性映射网络或者多层深度神经网络；

38、第四单元，用于根据线性映射网络或多层深度神经网络，对特征嵌入表示信息进行特征映射处理，得到对象兴趣表示信息和上下文环境表示信息。

39、可选地，本发明实施例中的意向评估模型的训练装置，第四模块包括：

40、第五单元，用于根据所述原始特征集合中各个对象的所述上下文环境表示信息中包含的影响因子个数，确定聚类的类型个数；

41、第六单元，用于根据所述聚类的类型个数，对各个所述上下文环境表示信息进行聚类处理，得到所述原始特征集合的多个聚类类型，以及各个所述上下文环境信息的聚类标签结果，所述聚类标签结果用于表示所述上下文环境信息所属的聚类类型；

42、第七单元，用于根据多个所述聚类类型对各个所述上下文环境表示信息分别进行类别预测，确定各个所述上下文环境表示信息对应的类别预测结果，所述类别预测结果用于表示所述上下文环境表示信息属于多个所述聚类类型中各个聚类类型的第一预测概率。

43、可选地，本发明实施例中的意向评估模型的训练装置，第四模块还包括：

44、第九单元，用于根据所述第一预测概率和各个聚类类型的标签，计算每个类别的损失信息；

45、第十单元，用于根据所述损失信息对所述聚类处理的聚类参数进行更新。

46、可选地，本发明实施例中的意向评估模型的训练装置还包括：

47、第九模块，用于对于上下文环境表示信息所属的聚类类型相同的两个对象，分别根据所述两个对象的对象兴趣表示信息确定各自的意向预测结果；

48、第十一模块，用于计算所述意向预测结果以及所述意向标签之间的损失信息；根据所述损失信息更新意向评估模型的模型参数。

49、可选地，本发明实施例中的意向评估模型的训练装置还包括：

50、第十二模块，用于获取兴趣表示信息组合二分类预测对应于不同对比标签时的第二预测概率；

51、第十三模块，用于根据第二预测概率和各个对比标签，计算每个对比标签对应的对比分类损失；

52、第十四模块，用于根据对比分类损失对二分类预测的处理参数进行更新。

53、可选地，本发明实施例中的意向评估模型的训练装置，第五模块包括：

54、第十一单元，用于获取上下文环境表示信息对应于不同类别的各个类别预测概率；

55、第十二单元，用于根据预设的网络参数和类别预测概率，计算得到各个上下文环境表示信息对应的权重信息。

56、可选地，本发明实施例中的意向评估模型的训练装置还包括：

57、第十五模块，用于获取对上下文环境表示信息进行深度聚类处理时的交叉熵损失；

58、第十六模块，用于获取对兴趣表示信息组合进行二分类预测时的对比分类损失；

59、第十七模块，用于根据交叉熵损失和对比分类损失，构建意向评估模型的总损失函数；

60、第十八模块，用于根据总损失函数对意向评估模型的模型参数进行更新。

61、另一方面，本发明实施例还提供了一种意向评估装置，包括：

62、第七模块，用于显示对象意向评估界面；对象意向评估界面包括对象标识输入框和意向评估控件；

63、第八模块，用于响应于对意向评估控件的触发指令，获取对象标识输入框中各个对象的对象标识，显示对象意向排序界面；

64、其中，对象意向排序界面中每个对象的意向信息由意向评估模型生成；

65、意向评估模型根据上述意向评估模型的训练方法确定；

66、对象标识用于确定输入意向评估模型的特征集合。

67、另一方面，本发明实施例还提供了一种电子设备，包括处理器以及存储器；

68、存储器用于存储程序；

69、处理器执行程序实现如前面的意向评估模型的训练方法。

70、另一方面，本发明实施例还提供了一种计算机可读存储介质，存储介质存储有程序，程序被处理器执行实现如前面的意向评估模型的训练方法。

71、另一方面，本发明实施例还提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现如前面的意向评估模型的训练方法。

72、本发明的实施例在训练意向评估模型的时候，首先获取待训练的原始特征集合；通过意向评估模型对原始特征集合进行特征嵌入处理，得到所述原始特征集合中各个对象的线索特征的特征嵌入表示信息；然后，本发明将在建模过程中针对对象本身的影响和各种外部环境影响，例如广告活动、促销活动等进行解耦，对特征嵌入表示信息进行特征映射处理，得到对象兴趣表示信息和上下文环境表示信息，使得本发明实施例的意向评估模型能够不仅考虑对象本身的兴趣意向，还能考虑环境因素的影响，提高模型的预测准确性；接着，对上下文环境表示信息进行深度聚类处理，得到各个上下文环境表示信息对应的类别预测结果；并对各个类别预测结果进行变换处理，得到对应的权重信息；最后，本发明实施例将对象自身的兴趣意向和周围环境因素进行自适应结合，将各方影响因素结合到模型的训练过程，也就是根据权重信息对对象兴趣表示信息和上下文环境表示信息进行拼接处理，得到意向评估分数，进而根据意向评估分数与意向标签之间的匹配程度，更新意向评估模型的模型参数，使模型在不同活动场景下或者无周边环境影响下都能表现稳定，提升了意向评估的准确性。