本发明涉及计算机,尤其涉及一种线索分发模型训练方法、装置、设备和介质。
背景技术:
1、一线服务人员通常利用积累的业务经验,对用户进行分类,针对不同的用户提供个性化的服务。
2、随着电子信息的发展,现阶段可以通过机器学习算法,对用户向客户端提供的线索信息进行分析,实现用户的分类。
3、但是,现有的机器学习方法,无法对某一类用户提供的线索信息进行针对性分析,分类结果的准确度较低。
技术实现思路
1、本发明提供了一种线索分发模型训练方法、装置、设备和介质,以使线索分发模型对不同样本数据具有不同关注度,实现线索分发模型对样本数据的针对性分析,提高线索分发模型的准确性。
2、根据本发明的一方面,提供了一种线索分发模型训练方法,该方法包括:
3、获取使用目标应用的多个使用用户分别提供的线索数据;所述线索数据包括所述使用用户的行为数据和用户信息;
4、针对每个使用用户提供的所述线索数据,在所述行为数据中检测资源获取时间,并根据检测结果计算所述使用用户的样本权重;
5、针对每个使用用户,将所述使用用户提供的线索数据和样本权重作为所述使用用户的样本数据;
6、获取各所述使用用户的样本数据对应的标准预测结果;
7、根据各使用用户提供的样本数据和对应的标准预测结果,对线索分发模型进行训练,得到目标线索分发模型,所述线索分发模型用于根据所述使用用户的线索数据检测所述使用用户对资源的感兴趣概率。
8、根据本发明的另一方面,提供了一种线索分发模型训练装置,该装置包括:
9、数据获取模块,用于获取使用目标应用的多个使用用户分别提供的线索数据;所述线索数据包括所述使用用户的行为数据和用户信息;
10、权重获取模块,用于针对每个使用用户提供的所述线索数据,在所述行为数据中检测资源获取时间,并根据检测结果计算所述使用用户的样本权重;
11、样本数据确定模块,用于针对每个使用用户,将所述使用用户提供的线索数据和样本权重作为所述使用用户的样本数据;
12、标准结果获取模块,用于获取各所述使用用户的样本数据对应的标准预测结果;
13、训练模块,用于根据各使用用户提供的样本数据和对应的标准预测结果,对线索分发模型进行训练,得到目标线索分发模型,所述线索分发模型用于根据所述使用用户的线索数据检测所述使用用户对资源的感兴趣概率。
14、根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
15、至少一个处理器;以及
16、与所述至少一个处理器通信连接的存储器;其中,
17、所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的线索分发模型训练方法。
18、根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的线索分发模型训练方法。
19、根据本发明的另一方面,提供了一种计算机产品,所述计算机程序产品包括计算机程序,所述计算机程序在被处理器执行时实现本发明任一实施例所述的线索分发模型训练方法。
20、本发明实施例的技术方案,通过对多个使用用户提供的线索数据分别设置样本权重,能够在线索分发模型的训练过程中对不同用户提供的线索数据具有不同的关注度,实现对部分用于提供的线索数据进行针对性分析,提高目标线索分发模型的准确度。
21、应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
1.一种线索分发模型训练方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述根据检测结果计算所述使用用户的样本权重,包括:
3.根据权利要求1所述的方法,其特征在于,所述获取使用目标应用的多个使用用户分别提供的线索数据,包括:
4.根据权利要求1所述的方法,其特征在于,所述根据各使用用户提供的样本数据和对应的标准预测结果,对线索分发模型进行训练,得到目标线索分发模型,包括:
5.根据权利要求4所述的方法,其特征在于,所述确定训练后的线索分发模型满足训练完成条件,包括:
6.根据权利要求5所述的方法,其特征在于,所述根据所述关键类别比例和各所述使用用户的标准预测结果,计算所述训练后的线索分发模型的真实评价数值,包括:
7.根据权利要求1所述的方法,其特征在于,还包括:
8.一种线索分发模型训练装置,其特征在于,包括:
9.一种电子设备,其特征在于,所述电子设备包括:
10.一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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的线索分发模型训练方法。