CN110222097A - 用于生成信息的方法和装置 - Google Patents
用于生成信息的方法和装置 Download PDFInfo
- Publication number
- CN110222097A CN110222097A CN201910528165.9A CN201910528165A CN110222097A CN 110222097 A CN110222097 A CN 110222097A CN 201910528165 A CN201910528165 A CN 201910528165A CN 110222097 A CN110222097 A CN 110222097A
- Authority
- CN
- China
- Prior art keywords
- data
- object module
- information
- description information
- problem description
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了用于生成信息的方法和装置,涉及云计算领域。该方法的一具体实施方式包括:获取终端发送的问题描述信息;根据问题描述信息确定目标模型;获取目标模型的输入数据;将获取的输入数据输入目标模型,生成与问题描述信息关联的指标参数。该实施方式提高了生成与问题描述信息关联的指标参数的效率。
Description
技术领域
本申请实施例涉及计算机技术领域,尤其涉及用于生成信息的方法和装置。
背景技术
随着海量数据的出现,人工智能技术得到了迅速发展,其中,机器学习技术普遍被应用于从海量的数据记录中挖掘出有益的数据。例如,客户洞察(Customer Insight)就依赖大数据分析和建模挖掘,研发人员需要写程序或使用统计建模软件来完成数据处理、特征工程、模型训练和模型验证等功能,这要求研发人员有很强的编码能力,但是不论编码还是使用软件都存在学习和工程实践成本。
发明内容
本申请实施例提出了用于生成信息的方法和装置。
第一方面,本申请的一些实施例提供了一种用于生成信息的方法,该方法包括:获取终端发送的问题描述信息;根据问题描述信息确定目标模型;获取目标模型的输入数据;将获取的输入数据输入目标模型,生成与问题描述信息关联的指标参数。
在一些实施例中,根据问题描述信息确定目标模型,包括:在预先训练的算法模型集合中确定与问题描述信息匹配的目标模型。
在一些实施例中,根据问题描述信息确定目标模型,包括:确定与问题描述信息匹配的初始模型以及特征参数;从预先存储的样本数据集合中提取所确定的特征参数的参数值以及标签数据;通过提取出的特征参数的参数值以及标签数据训练初始模型,得到目标模型。
在一些实施例中,获取目标模型的输入数据,包括:基于预先建立的数据库获取目标模型的输入数据;其中,数据库包括经原始数据处理后的数据或终端上传的数据,原始数据包括以下至少一项:目标网站的用户数据、目标网站的交易数据、目标网站的日志数据、物品提供方数据、舆情数据、征信数据。
在一些实施例中,方法还包括:根据指标参数确定问题描述信息对应的结果信息;输出结果信息。
在一些实施例中,方法还包括:获取针对结果信息的反馈信息;根据反馈信息修改目标模型。
第二方面,本申请的一些实施例提供了一种用于生成信息的装置,该装置包括:第一获取单元,被配置成获取终端发送的问题描述信息;第一确定单元,被配置成根据问题描述信息确定目标模型;第二获取单元,被配置成获取目标模型的输入数据;生成单元,被配置成将获取的输入数据输入目标模型,生成与问题描述信息关联的指标参数。
在一些实施例中,第一确定单元,进一步被配置成:在预先训练的算法模型集合中确定与问题描述信息匹配的目标模型。
在一些实施例中,第一确定单元,包括:确定子单元,被配置成确定与问题描述信息匹配的初始模型以及特征参数;提取子单元,被配置成从预先存储的样本数据集合中提取所确定的特征参数的参数值以及标签数据;训练子单元,被配置成通过提取出的特征参数的参数值以及标签数据训练初始模型,得到目标模型。
在一些实施例中,第二获取单元,进一步被配置成:基于预先建立的数据库获取目标模型的输入数据;其中,数据库包括经原始数据处理后的数据或终端上传的数据,原始数据包括以下至少一项:目标网站的用户数据、目标网站的交易数据、目标网站的日志数据、物品提供方数据、舆情数据、征信数据。
在一些实施例中,装置还包括:第二确定单元,被配置成根据指标参数确定问题描述信息对应的结果信息;输出单元,被配置成输出结果信息。
在一些实施例中,装置还包括:第三获取单元,被配置成获取针对结果信息的反馈信息;修改单元,被配置成根据反馈信息修改目标模型。
第三方面,本申请的一些实施例提供了一种设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行,使得上述一个或多个处理器实现如第一方面上述的方法。
第四方面,本申请的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面上述的方法。
本申请实施例提供的用于生成信息的方法和装置,通过获取终端发送的问题描述信息,而后根据问题描述信息确定目标模型,并获取目标模型的输入数据,最后将获取的输入数据输入目标模型,生成与问题描述信息关联的指标参数,提高了生成与问题描述信息关联的指标参数的效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一些可以应用于其中的示例性系统架构图;
图2是根据本申请的用于生成信息的方法的一个实施例的流程图;
图3是根据本申请的用于生成信息的方法的应用场景的一个示意图;
图4是根据本申请的用于生成信息的方法的又一个实施例的流程图;
图5是根据本申请的用于生成信息的装置的一个实施例的结构示意图;
图6是适于用来实现本申请的一些实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用,例如商业分析类应用、浏览器类应用、电子商务类应用、搜索类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上安装的应用或访问的网页提供支持的后台服务器,服务器105可以获取终端设备101、102、103发送的问题描述信息;根据问题描述信息确定目标模型;获取目标模型的输入数据;将获取的输入数据输入目标模型,生成与问题描述信息关联的指标参数。
需要说明的是,本申请实施例所提供的用于生成信息的方法可以由服务器105执行,相应地,用于生成信息的装置可以设置于服务器105中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法,包括以下步骤:
步骤201,获取终端发送的问题描述信息。
在本实施例中,用于生成信息的方法执行主体(例如图1所示的服务器)可以首先获取终端通过有线连接方式或者无线连接方式发送的问题描述信息。
问题描述信息可以是描述用户在客户洞察等领域遇到的问题的信息,客户洞察可以包括客户数据的收集分析使用,客户数据挖掘,量化营销等。客户洞察通过研究客户行为和需求,使产品和服务更贴近用户,从而提升效率,其为企业定位最优质客户,为客户定制最佳产品,为产品提供最优运营。问题描述信息可以包括业务策略信息以及数据信息,业务策略可以包括营销策略、运营策略、风控策略等,数据信息可以是与业务策略匹配的业务数据,例如,问题描述信息可以包括提升信用卡营销时的用户转化率。
步骤202,根据问题描述信息确定目标模型。
在本实施例中,上述执行主体可以根据步骤201中获取的问题描述信息确定目标模型。目标模型可以表征输入数据与输出的指标数据之间的对应关系。目标模型可以包括根据专家经验建立的模型或预先训练完成的模型,也可以包括根据问题描述信息确定初始模型、特征参数等,而后经训练得到的模型。实践中,不同业务领域所需的模型也不尽相同。例如,客户洞察领域所需模型可以包括机构分析模型、用户分析模型、产品分析模型、策略评估模型、业务评估模型,其中,机构分析模型可以用于进行市场调研、业务分析、舆情分析等,用户分析模型可以用于进行画像分析、渠道统计、行为预测等,产品分析模型可以用于进行质量分析、价格分析、竞品分析等,策略评估模型可以用于进行某种策略的离线评估或在线评估,业务评估模型可以用于评估执行某项业务后的业务指标的变化情况,业务指标可以包括转化率、收益率等。
根据问题描述信息确定目标模型可以通过对问题描述信息进行文本分析,提取问题描述信息包括的关键词,再根据预先设置的关键词与目标模型的对应关系确定目标模型,还可以通过预先训练的主题模型(topic model)或分类模型确定与问题描述信息对应的目标模型。例如,可以将常用的问题描述信息进行标注,作为样本数据,经样本数据训练初始的主题模型或初始的分类模型得到可以用于确定目标模型的主题模型或分类模型。
在本实施例的一些可选实现方式中,根据问题描述信息确定目标模型,包括:在预先训练的算法模型集合中确定与问题描述信息匹配的目标模型。
预先训练的算法模型集合中的算法模型可以是通过从历史数据中提取出特征数据,以及从历史数据中提取出标签训练得到的各种模型。历史数据可以包括历史营销数据、历史运营数据、历史风控数据、历史流失管理数据、历史决策数据等。预先训练的算法模型集合中的算法模型也可以是上述用户或者其他用户以往通过上述执行主体训练得到的历史模型。
步骤203,获取目标模型的输入数据。
在本实施例中,上述执行主体可以获取步骤202中确定的目标模型的输入数据。确定目标模型后,可以通过目标模型的配置信息或其他与目标模型关联的信息获取目标模型输入参数的信息,并据此获取目标模型的输入数据。目标模型的输入数据可以包括终端上传的数据也可以包括上述执行主体中预先存储的数据,还可以包括经以上两种数据处理后得到的数据。
在本实施例的一些可选实现方式中,获取目标模型的输入数据,包括:基于预先建立的数据库获取目标模型的输入数据;其中,数据库包括经原始数据处理后的数据或终端上传的数据,原始数据包括以下至少一项:目标网站的用户数据、目标网站的交易数据、目标网站的日志数据、物品提供方数据、舆情数据、征信数据。目标网站可以包括任何需要获取其数据并可获取到其数据的网站。物品提供方数据可以包括产品或服务的提供方的数据,例如某一物品的生产方或经销商,某张信用卡的发卡行。经原始数据处理后的数据可以包括萃取-转置-加载(Extract-Transform-Load,ETL)后,做集成、融合产出的结构化数据。作为实例,用户数据、交易数据、日志数据、厂家数据、舆情数据、征信数据经处理后可以得到用户画像数据、机构画像数据、产品画像数据、业务数据、样本库数据、特征库数据。
以用户画像数据为例,其可以是经由以下步骤生成的:获取以下用户信息中的至少一项:搜索关键词信息、点击行为信息、搜索结果页内容信息、地理位置信息、终端设备信息;根据获取到的用户信息生成用户画像信息。终端设备信息可以包括终端品牌、系统、版本号等。通过将用户的搜索、上网行为、地理位置等信息构建专属目标物品的用户画像数据。
步骤204,将获取的输入数据输入目标模型,生成与问题描述信息关联的指标参数。
在本实施例中,上述执行主体可以将步骤203中获取的输入数据输入目标模型,生成与问题描述信息关联的指标参数。不同目标模型生成的指标参数不同,例如,机构分析模型可以生成机构指标,用户分析模型可以生成用户指标,产品分析模型可以生成产品指标、策略评估模型可以生成策略指标、业务评估模型可以生成业务指标。可以通过机器学习方法训练初始的模型,得到目标模型。目标模型也可以是技术人员基于对大量的输入数据和指标数据的统计而预先制定的、存储有输入数据和指标数据的对应关系的对应关系表;同样可以是技术人员基于对大量数据的统计而预先设置并存储至上述电子设备中的、对输入数据的一个或多个进行量化与计算,得到的用于表征指标参数的计算结果的计算公式
在本实施例的一些可选实现方式中,方法还包括:根据指标参数确定问题描述信息对应的结果信息;输出结果信息。以客户洞察领域为例,问题描述信息对应的结果信息可以是多种多样的,按照结果信息的用途可以将客户洞察平台分为商业决策平台、流失管理平台、智能运营平台、智能风控平台,其中,商业决策平台又可以包括舆情监控、运营分析、市场分析等,流失管理平台又可以包括流失统计分析、流失预警、挽回策略等,智能运营平台又可以包括渠道分析、受众定向、客户分群等,智能风控平台又可以包括信息校验、信用评分、欺诈分析等。结果信息可以通过API(Application Programming Interface,应用程序编程接口)或可视化界面的形式向终端输出。
在本实施例的一些可选实现方式中,方法还包括:获取针对结果信息的反馈信息;根据反馈信息修改目标模型。获取终端通过有线连接方式或者无线连接方式发送的反馈信息,也可以获取上述执行主体的管理人员输入的反馈信息。上述执行主体中可以预先存储有用于验证模型准确性的验证数据集合。这样,目标模型训练完成之后,上述执行主体可以使用预先设定的验证数据集合对目标模型进行验证,得到验证结果。作为示例,模型的验证结果可以包括以下至少一项:准确率、召回率、ROC曲线、K-S曲线等等。
反馈信息可以包括修改目标模型的参数的数据,或修改目标模型训练相关的数据,如,删除某些样本数据或者添加某些样本数据。又例如,更换机器学习算法。再例如,更换特征工程。
继续参见图3,图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中,服务器301获取用户通过终端302发送的问题描述信息303,而后根据问题描述信息303确定目标模型304,并获取目标模型304的输入数据305,最后将获取的输入数据305输入目标模型304,生成与问题描述信息303关联的指标参数306。
本申请的上述实施例提供的方法通过获取终端发送的问题描述信息;根据问题描述信息确定目标模型;获取目标模型的输入数据;将获取的输入数据输入目标模型,生成与问题描述信息关联的指标参数,提高了生成与问题描述信息关联的指标参数的效率。
进一步参考图4,其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400,包括以下步骤:
步骤401,获取终端发送的问题描述信息。
在本实施例中,用于生成信息的方法执行主体(例如图1所示的服务器)可以首先获取终端通过有线连接方式或者无线连接方式发送的问题描述信息。
步骤402,确定与问题描述信息匹配的初始模型以及特征参数。
在本实施例中,上述执行主体可以确定与步骤401中获取的问题描述信息匹配的初始模型以及特征参数。确定与问题描述信息匹配的初始模型以及特征参数可以通过对问题描述信息进行文本分析,提取问题描述信息包括的关键词,再根据预先设置的关键词与初始模型以及特征参数的对应关系确定初始模型以及特征参数,还可以通过预先训练的主题模型(topic model)或分类模型确定与问题描述信息对应的初始模型以及特征参数。例如,可以将常用的问题描述信息进行标注,作为样本数据,经样本数据训练初始的主题模型或初始的分类模型得到可以用于确定初始模型以及特征参数的主题模型或分类模型。此外,还可以获取用户输入的指示初始模型以及特征参数的信息,根据用户输入的指示初始模型以及特征参数的信息确定初始模型以及特征参数。
在这里,初始模型可以包括逻辑回归(Logistic Regression)模型、随机森林(Random Forest)模型、迭代决策树(Gradient Boosting Decision Tree)模型、支持向量机(Support Vector Machine)模型、卷积神经网络(Convolutional Neural Networks)模型、深度神经网络(Deep Neural Networks)模型等。
步骤403,从预先存储的样本数据集合中提取所确定的特征参数的参数值以及标签数据。
在本实施例中,上述执行主体可以从预先存储的样本数据集合中提取步骤402中确定的特征参数的参数值以及标签数据。预先存储的样本数据集合中可以包括用户数据、交易数据、日志数据、厂家数据、舆情数据、征信数据等,可以通过特征工程从中提取所确定的特征参数的参数值以及标签数据。例如,针对逻辑回归算法可以存储有使用特征工程:特征分箱+WOE(weight of Evidence,证据权重)编码、特征分箱+Onehot编码(One-HotEncoding,独热编码)、Minmax归一化、Z-Score归一化等等
步骤404,通过提取出的特征参数的参数值以及标签数据训练初始模型,得到目标模型。
在本实施例中,上述执行主体可以通过步骤403中提取出的特征参数的参数值以及标签数据训练步骤402中确定的初始模型,得到目标模型。每一个初始模型可以预先设置有与其对应的初始模型参数,初始模型参数可以是技术人员根据实际经验设置的。
作为实例,上述执行主体可以训练得到用于表征输入的用户画像信息、物品画像信息与目标用户与目标物品的匹配信息的对应关系的分类模型。上述执行主体可以将样本集合中的样本用户画像信息、样本物品画像信息作为输入,将样本集合中标注的样本目标用户与样本目标物品的匹配信息作为输出,训练初始的朴素贝叶斯模型(Naive BayesianModel,NBM)或支持向量机(Support Vector Machine,SVM)等用于分类的模型,得到分类模型。作为示例,目标物品为信用卡,样本集合中匹配信息的标签数据可以来自用户点击和申请信用卡的数据。匹配信息可以包括是否匹配、匹配的概率与不匹配的概率。可以设置概率阈值,若输出的匹配的概率大于预先设置的概率阈值,则认为匹配信息指示目标用户与目标物品匹配。
步骤405,获取目标模型的输入数据。
在本实施例中,上述执行主体可以获取步骤404中确定的目标模型的输入数据。
步骤406,将获取的输入数据输入目标模型,生成与问题描述信息关联的指标参数。
在本实施例中,上述执行主体可以将步骤405中获取的输入数据输入目标模型,生成与问题描述信息关联的指标参数。
在本实施例中,步骤401、步骤405、步骤406的操作与步骤201、步骤203、步骤204的操作基本相同,在此不再赘述。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于生成信息的方法的流程400中通过确定与问题描述信息匹配的初始模型以及特征参数,而后进行训练得到目标模型,由此,本实施例描述的方案中进一步丰富了生成指标参数方法。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于生成信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于生成信息的装置500包括:第一获取单元501、第一确定单元502、第二获取单元503、生成单元504。其中,第一获取单元,被配置成获取终端发送的问题描述信息;第一确定单元,被配置成根据问题描述信息确定目标模型;第二获取单元,被配置成获取目标模型的输入数据;生成单元,被配置成将获取的输入数据输入目标模型,生成与问题描述信息关联的指标参数。
在本实施例中,用于生成信息的装置500的第一获取单元501、第一确定单元502、第二获取单元503、生成单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204。
在本实施例的一些可选实现方式中,第一确定单元,进一步被配置成:在预先训练的算法模型集合中确定与问题描述信息匹配的目标模型。
在本实施例的一些可选实现方式中,第一确定单元,包括:确定子单元,被配置成确定与问题描述信息匹配的初始模型以及特征参数;提取子单元,被配置成从预先存储的样本数据集合中提取所确定的特征参数的参数值以及标签数据;训练子单元,被配置成通过提取出的特征参数的参数值以及标签数据训练初始模型,得到目标模型。
在本实施例的一些可选实现方式中,第二获取单元,进一步被配置成:基于预先建立的数据库获取目标模型的输入数据;其中,数据库包括经原始数据处理后的数据或终端上传的数据,原始数据包括以下至少一项:目标网站的用户数据、目标网站的交易数据、目标网站的日志数据、物品提供方数据、舆情数据、征信数据。
在本实施例的一些可选实现方式中,装置还包括:第二确定单元,被配置成根据指标参数确定问题描述信息对应的结果信息;输出单元,被配置成输出结果信息。
在本实施例的一些可选实现方式中,装置还包括:第三获取单元,被配置成获取针对结果信息的反馈信息;修改单元,被配置成根据反馈信息修改目标模型。
本申请的上述实施例提供的装置,通过获取终端发送的问题描述信息;根据问题描述信息确定目标模型;获取目标模型的输入数据;将获取的输入数据输入目标模型,生成与问题描述信息关联的指标参数,提高了生成与问题描述信息关联的指标参数的效率。
下面参考图6,其示出了适于用来实现本申请实施例的服务器的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件可以连接至I/O接口605:包括诸如键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一获取单元、第一确定单元、第二获取单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“被配置成获取终端发送的问题描述信息的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取终端发送的问题描述信息;根据问题描述信息确定目标模型;获取目标模型的输入数据;将获取的输入数据输入目标模型,生成与问题描述信息关联的指标参数。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种用于生成信息的方法,包括:
获取终端发送的问题描述信息;
根据所述问题描述信息确定目标模型;
获取所述目标模型的输入数据;
将获取的输入数据输入所述目标模型,生成与所述问题描述信息关联的指标参数。
2.根据权利要求1所述的方法,其中,所述根据所述问题描述信息确定目标模型,包括:
在预先训练的算法模型集合中确定与所述问题描述信息匹配的目标模型。
3.根据权利要求1所述的方法,其中,所述根据所述问题描述信息确定目标模型,包括:
确定与所述问题描述信息匹配的初始模型以及特征参数;
从预先存储的样本数据集合中提取所确定的特征参数的参数值以及标签数据;
通过提取出的特征参数的参数值以及标签数据训练所述初始模型,得到目标模型。
4.根据权利要求1所述的方法,其中,所述获取所述目标模型的输入数据,包括:
基于预先建立的数据库获取所述目标模型的输入数据;
其中,所述数据库包括经原始数据处理后的数据或终端上传的数据,所述原始数据包括以下至少一项:目标网站的用户数据、目标网站的交易数据、目标网站的日志数据、物品提供方数据、舆情数据、征信数据。
5.根据权利要求1-4中任一项所述的方法,其中,所述方法还包括:
根据所述指标参数确定所述问题描述信息对应的结果信息;
输出所述结果信息。
6.根据权利要求5所述的方法,其中,所述方法还包括:
获取针对所述结果信息的反馈信息;
根据所述反馈信息修改所述目标模型。
7.一种用于生成信息的装置,包括:
第一获取单元,被配置成获取终端发送的问题描述信息;
第一确定单元,被配置成根据所述问题描述信息确定目标模型;
第二获取单元,被配置成获取所述目标模型的输入数据;
生成单元,被配置成将获取的输入数据输入所述目标模型,生成与所述问题描述信息关联的指标参数。
8.根据权利要求7所述的装置,其中,所述第一确定单元,进一步被配置成:
在预先训练的算法模型集合中确定与所述问题描述信息匹配的目标模型。
9.根据权利要求7所述的装置,其中,所述第一确定单元,包括:
确定子单元,被配置成确定与所述问题描述信息匹配的初始模型以及特征参数;
提取子单元,被配置成从预先存储的样本数据集合中提取所确定的特征参数的参数值以及标签数据;
训练子单元,被配置成通过提取出的特征参数的参数值以及标签数据训练所述初始模型,得到目标模型。
10.根据权利要求7所述的装置,其中,所述第二获取单元,进一步被配置成:
基于预先建立的数据库获取所述目标模型的输入数据;
其中,所述数据库包括经原始数据处理后的数据或终端上传的数据,所述原始数据包括以下至少一项:目标网站的用户数据、目标网站的交易数据、目标网站的日志数据、物品提供方数据、舆情数据、征信数据。
11.根据权利要求7-10中任一项所述的装置,其中,所述装置还包括:
第二确定单元,被配置成根据所述指标参数确定所述问题描述信息对应的结果信息;
输出单元,被配置成输出所述结果信息。
12.根据权利要求11所述的装置,其中,所述装置还包括:
第三获取单元,被配置成获取针对所述结果信息的反馈信息;
修改单元,被配置成根据所述反馈信息修改所述目标模型。
13.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910528165.9A CN110222097A (zh) | 2019-06-18 | 2019-06-18 | 用于生成信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910528165.9A CN110222097A (zh) | 2019-06-18 | 2019-06-18 | 用于生成信息的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110222097A true CN110222097A (zh) | 2019-09-10 |
Family
ID=67817752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910528165.9A Pending CN110222097A (zh) | 2019-06-18 | 2019-06-18 | 用于生成信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222097A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114444617A (zh) * | 2022-02-28 | 2022-05-06 | 北京百度网讯科技有限公司 | 用于输出信息的方法、装置、设备以及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080015233A (ko) * | 2006-08-14 | 2008-02-19 | 장 우 박 | 제품에 대한 리뷰나 사용 후기를 보고 의문점이나문의사항을 작성자에게 실시간으로 문의하고 응답받아신용도 높은 구매를 할 수 있게 해주는 쇼핑모델 |
CN106528682A (zh) * | 2016-10-25 | 2017-03-22 | 安徽讯呼信息科技有限公司 | 一种呼叫中心大数据文本挖掘系统 |
CN108763199A (zh) * | 2018-05-14 | 2018-11-06 | 浙江口碑网络技术有限公司 | 文本反馈信息的排查方法及装置 |
CN109165249A (zh) * | 2018-08-07 | 2019-01-08 | 阿里巴巴集团控股有限公司 | 数据处理模型构建方法、装置、服务器和用户端 |
CN109460429A (zh) * | 2018-11-19 | 2019-03-12 | 同方知网(北京)技术有限公司 | 一种基于农业产业数据的自助式分析模型方法与系统 |
CN109872188A (zh) * | 2019-01-28 | 2019-06-11 | 平安科技(深圳)有限公司 | 资产建议生成方法、装置、计算机设备和存储介质 |
-
2019
- 2019-06-18 CN CN201910528165.9A patent/CN110222097A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080015233A (ko) * | 2006-08-14 | 2008-02-19 | 장 우 박 | 제품에 대한 리뷰나 사용 후기를 보고 의문점이나문의사항을 작성자에게 실시간으로 문의하고 응답받아신용도 높은 구매를 할 수 있게 해주는 쇼핑모델 |
CN106528682A (zh) * | 2016-10-25 | 2017-03-22 | 安徽讯呼信息科技有限公司 | 一种呼叫中心大数据文本挖掘系统 |
CN108763199A (zh) * | 2018-05-14 | 2018-11-06 | 浙江口碑网络技术有限公司 | 文本反馈信息的排查方法及装置 |
CN109165249A (zh) * | 2018-08-07 | 2019-01-08 | 阿里巴巴集团控股有限公司 | 数据处理模型构建方法、装置、服务器和用户端 |
CN109460429A (zh) * | 2018-11-19 | 2019-03-12 | 同方知网(北京)技术有限公司 | 一种基于农业产业数据的自助式分析模型方法与系统 |
CN109872188A (zh) * | 2019-01-28 | 2019-06-11 | 平安科技(深圳)有限公司 | 资产建议生成方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
陈明蔚等: "一种货运量需求预测分析的新方法", 《物流工程与管理》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114444617A (zh) * | 2022-02-28 | 2022-05-06 | 北京百度网讯科技有限公司 | 用于输出信息的方法、装置、设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171276B (zh) | 用于生成信息的方法和装置 | |
CN110543946B (zh) | 用于训练模型的方法和装置 | |
CN109460513A (zh) | 用于生成点击率预测模型的方法和装置 | |
CN110458697A (zh) | 用于评估风险的方法和装置 | |
KR102308002B1 (ko) | 정보 생성 방법 및 장치 | |
CN107908740A (zh) | 信息输出方法和装置 | |
CN109325541A (zh) | 用于训练模型的方法和装置 | |
CN109922032A (zh) | 用于确定登录账户的风险的方法和装置 | |
CN107944481A (zh) | 用于生成信息的方法和装置 | |
CN107609890A (zh) | 一种订单跟踪的方法和装置 | |
CN109388548A (zh) | 用于生成信息的方法和装置 | |
CN111488995B (zh) | 用于评估联合训练模型的方法、装置和系统 | |
CN109299477A (zh) | 用于生成文本标题的方法和装置 | |
US20210349955A1 (en) | Systems and methods for real estate data collection, normalization, and visualization | |
CN112925911B (zh) | 基于多模态数据的投诉分类方法及其相关设备 | |
CN110400184A (zh) | 用于生成信息的方法和装置 | |
CN108897853A (zh) | 生成推送信息的方法和装置 | |
CN109284342A (zh) | 用于输出信息的方法和装置 | |
CN109711733A (zh) | 用于生成聚类模型的方法、电子设备和计算机可读介质 | |
CN109389182A (zh) | 用于生成信息的方法和装置 | |
CN109190123A (zh) | 用于输出信息的方法和装置 | |
CN109284367A (zh) | 用于处理文本的方法和装置 | |
CN108959642A (zh) | 用于写入信息的方法和装置 | |
CN109101309A (zh) | 用于更新用户界面方法和装置 | |
CN110222097A (zh) | 用于生成信息的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190910 |