CN115526662A - 一种物品信息推送方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明实施例提供了一种物品信息推送方法、装置、电子设备及存储介质，通过获取针对被推荐方用户的第一用户特征向量和针对推荐物品的推荐物品特征向量；确定源模型，并基于源模型，通过第一用户特征向量和推荐物品特征向量计算生成针对被推荐方用户和推荐物品的基础匹配概率；获取针对推荐方用户的第二用户特征向量；通过第一用户特征向量、第二用户特征向量和基础匹配概率训练源模型，生成目标模型；采用目标模型推送针对推荐物品的物品信息，从而使目标模型在推送物品信息时，能够基于推荐方用户与被推荐方用户的相关性对被推荐方用户推送物品信息，进而提升通过深度学习模型对用户推送物品信息的效率。

Description

一种物品信息推送方法、装置、电子设备及存储介质

技术领域

本发明涉及物品信息推送技术领域，特别是涉及一种物品信息推送方法、一种物品信息推送装置、一种电子设备以及一种计算机可读存储介质。

背景技术

电话营销(telemarketing)是指利用电话接线员来吸引新顾客和联系老客户，以确定他们的满意程度或能否接受订单，随着科技的发展，通过深度学习模型进行电话营销已经逐步替代人工电话销售，采用深度学习模型进行电话营销可以提高效率且降低成本。

然而，相关技术在通过深度学习模型进行电话营销时，仅仅会通过客户特征信息和产品特征信息对模型进行自适应训练，所以，会导致被训练出来的模型与客户适配度低下，从而降低了推送物品信息的效率。

发明内容

本发明实施例是提供一种物品信息推送方法、装置、电子设备以及计算机可读存储介质，以解决如何提升通过深度学习模型对用户推送物品信息的效率的问题。

本发明实施例公开了一种物品信息推送方法，包括：

获取针对被推荐方用户的第一用户特征向量和针对推荐物品的推荐物品特征向量；

确定源模型，并基于所述源模型，通过所述第一用户特征向量和所述推荐物品特征向量计算生成针对所述被推荐方用户和所述推荐物品的基础匹配概率；

获取针对推荐方用户的第二用户特征向量；

通过所述第一用户特征向量、所述第二用户特征向量和所述基础匹配概率训练所述源模型，生成目标模型；

采用所述目标模型推送针对所述推荐物品的物品信息。

可选地，所述获取针对被推荐方用户的第一用户特征向量和针对推荐物品的推荐物品特征向量的步骤可以包括：

获取针对被推荐方用户的结构化用户特征向量和非结构化用户特征向量；

获取针对推荐物品的结构化推荐物品特征向量和非结构化物品特征向量。

可选地，所述基于所述源模型，通过第一用户特征向量和所述推荐物品特征向量计算生成针对所述被推荐方用户和所述推荐物品的基础匹配概率的步骤可以包括：

将所述结构化用户特征向量输入至所述源模型，计算生成第一特征丢失率；

将所述结构化推荐物品特征向量输入至所述源模型，计算生成第二特征丢失率；

将所述非结构化用户特征向量输入至所述源模型，计算生成第三特征丢失率；

将所述非结构化推荐物品特征向量输入至所述源模型，计算生成第四特征丢失率；

当所述第一特征丢失率、所述第二特征丢失率、所述第三特征丢失率和所述第四特征丢失率低于预设阈值时，采用所述结构化用户特征向量、所述非结构化用户特征向量、所述结构化推荐物品特征向量和所述非结构化物品特征向量，通过所述源模型计算生成针对所述被推荐方用户和所述推荐物品的基础匹配概率。

可选地，所述源模型具有对应的源域，所述通过所述第一用户特征向量、所述第二用户特征向量和所述基础匹配概率训练所述源模型，生成目标模型的步骤可以包括：

通过所述基础匹配概率和所述第二用户特征向量对所述源模型进行特征自适应训练，生成初始目标模型；所述初始目标模型具有对应的目标域；

将所述第一用户特征向量和所述第二用户特征向量共享至所述目标域，并当判定所述源域中的源域特征向量和所述目标域中的目标域特征向量存在第一映射关系时，则获取针对所述目标域的目标域误差值；

当所述目标域误差值小于预设阈值时，将所述初始目标模型确定为目标模型。

可选地，还可以包括：

当所述目标域误差值大于或等于预设阈值时，构建针对所述源域中的源域特征向量和所述目标域中的目标域特征向量的第二映射关系；所述第二映射关系用于调整所述目标域误差值。

本发明实施例还公开了一种物品信息推送装置，包括：

特征向量获取模块，用于获取针对被推荐方用户的第一用户特征向量和针对推荐物品的推荐物品特征向量；

基础匹配概率计算模块，用于确定源模型，并基于所述源模型，通过所述第一用户特征向量和所述推荐物品特征向量计算生成针对所述被推荐方用户和所述推荐物品的基础匹配概率；

第二用户特征向量获取模块，用于获取针对推荐方用户的第二用户特征向量；

目标模型生成模块，用于通过所述第一用户特征向量、所述第二用户特征向量和所述基础匹配概率训练所述源模型，生成目标模型；

物品信息推荐模块，用于采用所述目标模型推送针对所述推荐物品的物品信息。

可选地，所述特征向量获取模块包括：

用户特征向量获取子模块，用于获取针对被推荐方用户的结构化用户特征向量和非结构化用户特征向量；

物品特征向量获取子模块，用于获取针对推荐物品的结构化推荐物品特征向量和非结构化物品特征向量。

可选地，所述基础匹配概率计算模块可以包括：

第一特征丢失率计算子模块，用于将所述结构化用户特征向量输入至所述源模型，计算生成第一特征丢失率；

第二特征丢失率计算子模块，用于将所述结构化推荐物品特征向量输入至所述源模型，计算生成第二特征丢失率；

第三特征丢失率计算子模块，用于将所述非结构化用户特征向量输入至所述源模型，计算生成第三特征丢失率；

第四特征丢失率计算子模块，用于将所述非结构化推荐物品特征向量输入至所述源模型，计算生成第四特征丢失率；

基础匹配概率计算子模块，用于在所述第一特征丢失率、所述第二特征丢失率、所述第三特征丢失率和所述第四特征丢失率低于预设阈值时，采用所述结构化用户特征向量、所述非结构化用户特征向量、所述结构化推荐物品特征向量和所述非结构化物品特征向量，通过所述源模型计算生成针对所述被推荐方用户和所述推荐物品的基础匹配概率。

可选地，所述源模型具有对应的源域，所述目标模型生成模块可以包括：

初始目标模型生成子模块，用于通过所述基础匹配概率和所述第二用户特征向量对所述源模型进行特征自适应训练，生成初始目标模型；所述初始目标模型具有对应的目标域；

目标域误差值获取子模块，用于将所述第一用户特征向量和所述第二用户特征向量共享至所述目标域，并当判定所述源域中的源域特征向量和所述目标域中的目标域特征向量存在第一映射关系时，则获取针对所述目标域的目标域误差值；

目标模型确定子模块，用于当所述目标域误差值小于预设阈值时，将所述初始目标模型确定为目标模型。

可选地，还可以包括：

第二映射关系构建子模块，用于当所述目标域误差值大于或等于预设阈值时，构建针对所述源域中的源域特征向量和所述目标域中的目标域特征向量的第二映射关系；所述第二映射关系用于调整所述目标域误差值。

本发明实施例还公开了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口以及所述存储器通过所述通信总线完成相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行存储器上所存放的程序时，实现如本发明实施例所述的方法。

本发明实施例还公开了一种计算机可读存储介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如本发明实施例所述的方法。

本发明实施例包括以下优点：

本发明实施例，通过获取针对被推荐方用户的第一用户特征向量和针对推荐物品的推荐物品特征向量；确定源模型，并基于所述源模型，通过所述第一用户特征向量和所述推荐物品特征向量计算生成针对所述被推荐方用户和所述推荐物品的基础匹配概率；获取针对推荐方用户的第二用户特征向量；通过所述第一用户特征向量、所述第二用户特征向量和所述基础匹配概率训练所述源模型，生成目标模型；采用所述目标模型推送针对所述推荐物品的物品信息，从而使目标模型在推送物品信息时，能够基于推荐方用户与被推荐方用户的相关性对被推荐方用户推送物品信息，进而提升通过深度学习模型对用户推送物品信息的效率。

附图说明

图1是本发明实施例中提供的一种物品信息推送方法的步骤流程图；

图2是本发明实施例中提供的一种物品信息推送方法的流程示意图；

图3是本发明实施例中提供的一种物品信息推送装置的结构框图；

图4是本发明各实施例中提供的一种电子设备的硬件结构框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

在实际应用中，现有的推荐模型多是根据客户的特征信息(如需求、兴趣、偏好、消费行为、浏览轨迹等)和产品特征信息进行编码，通过组合挖掘或矩阵模型评分机制等方法生成推荐列表或捆绑推荐，产生客户和产品的一对一最优匹配，模型的自适应调节也是增加客户在互联网系统中的行为轨迹、行为特点等数据特征信息进行分析优化。但是，若将经训练的模型作为一个推荐方的“推荐人”，该模型则没有考虑“推荐人”的因素，对于依靠人工方式(如客服坐席)进行产品推荐的场景，例如电话营销，则不能根据人工推荐的交互过程的差异性进行自适应调整。同时，相关技术没有考虑人工推荐时多任务的相关性，即，相关技术并未考虑模型对用户需求、公司利益和推荐人收益等因素，故无法从本质上推荐适合用户需求且实现多方诉求共同满足的产品。

参照图1，示出了本发明实施例中提供的一种物品信息推送方法的步骤流程图，具体可以包括如下步骤：

步骤101，获取针对被推荐方用户的第一用户特征向量和针对推荐物品的推荐物品特征向量；

步骤102，确定源模型，并基于所述源模型，通过所述第一用户特征向量和所述推荐物品特征向量计算生成针对所述被推荐方用户和所述推荐物品的基础匹配概率；

步骤103，获取针对推荐方用户的第二用户特征向量；

步骤104，通过所述第一用户特征向量、所述第二用户特征向量和所述基础匹配概率训练所述源模型，生成目标模型；

步骤105，采用所述目标模型推送针对所述推荐物品的物品信息。

在具体实现中，本发明实施例可以获取针对被推荐方用户的第一用户特征向量和针对推荐物品的推荐物品特征向量，具体地，被推荐方用户可以是接收物品信息的用户，例如，在电话销售中被推荐产品的客户，而在电话销售中被推荐的产品则可以是推荐物品。

在实际应用中，被推荐方用户可以具有对应的用户特征信息，例如，用户年龄、性别、需求、兴趣、偏好、消费行为、浏览轨迹等，第二用户特征向量则可以是用于表达推荐方用户的用户特征信息的向量。同理，推荐物品可以具有对应的推荐物品特征信息，例如，电话营销中针对虚拟套餐的套餐类型、该套餐包含的服务内容，即，通话时长、短信条数、流量多少等，推荐物品特征向量可以是用于表达推荐物品特征信息的向量。

本发明实施例可以确定源模型，具体地，源模型可以但不限于包括ESMM模型、MMOE模型等多任务模型。

在确定源模型后，本发明实施例可以基于源模型，通过第一用户特征向量和推荐物品特征向量计算生成针述被推荐方用户和推荐物品的基础匹配概率。

示例性地，可以将用于表达推荐方用户的用户特征信息的向量和用于表达推荐物品特征信息的向量输入至ESMM模型或MMOE模型中，使ESMM模型或MMOE模型进行自适应训练，从而输出针对推荐方用户和推荐物品的基础匹配概率，该基础匹配概率可以用于表达推荐方用户和推荐物品之间的适配程度，即，基础匹配概率越高，推荐方用户和推荐物品之间的适配程度越高。

本发明实施例可以获取针对推荐方用户的第二用户特征向量，在实际应用中，推荐方用户可以是推送物品信息的用户，例如，在电话销售中推荐产品的销售人员，推荐方用户可以具有对应的第二用户特征信息，例如，绩效信息、性格特征信息、历史业绩信息、服务技能评估信息等，第二用户特征向量可以是用于表达第二用户特征信息的向量。

在获取到第一用户特征向量、第二用户特征向量和推荐物品特征向量，并计算出针对被推荐方用户和推荐物品的基础匹配概率后，本发明实施例可以通过第一用户特征向量、第二用户特征向量和所述基础匹配概率训练源模型，生成目标模型，并可以采用目标模型推送针对推荐物品的物品信息，从而使目标模型在推送物品信息时，能够基于推荐方用户与被推荐方用户的相关性对被推荐方用户推送物品信息。

本发明实施例，通过获取针对被推荐方用户的第一用户特征向量和针对推荐物品的推荐物品特征向量；确定源模型，并基于所述源模型，通过所述第一用户特征向量和所述推荐物品特征向量计算生成针对所述被推荐方用户和所述推荐物品的基础匹配概率；获取针对推荐方用户的第二用户特征向量；通过所述第一用户特征向量、所述第二用户特征向量和所述基础匹配概率训练所述源模型，生成目标模型；采用所述目标模型推送针对所述推荐物品的物品信息，从而使目标模型在推送物品信息时，能够基于推荐方用户与被推荐方用户的相关性对被推荐方用户推送物品信息，进而提升通过深度学习模型对用户推送物品信息的效率。

同时，因为目标模型是基于推荐方用户与被推荐方用户的相关性向被推荐方用户推送物品信息，在此过程中，能够更有针对性的为被推荐方用户提供物品信息推送服务，从而也提高了被推荐方用户在被推送物品信息时的用户体验。

在上述实施例的基础上，提出了上述实施例的变型实施例，在此需要说明的是，为了使描述简要，在变型实施例中仅描述与上述实施例的不同之处。

在本发明的一个可选地实施例中，所述获取针对被推荐方用户的第一用户特征向量和针对推荐物品的推荐物品特征向量的步骤包括：

获取针对被推荐方用户的结构化用户特征向量和非结构化用户特征向量；

获取针对推荐物品的结构化推荐物品特征向量和非结构化物品特征向量。

在具体实现中，随着非结构化数据的大量生成，单用结构化数据进行模型训练已经不符合当下市场需求，结构化数据和非结构化数据是大数据的两种类型，结构化数据，可以是高度组织和整齐格式化的数据，例如，放入表格和电子表格中的数据类型，结构化数据也被称为定量数据，是能够用数据或统一的结构加以表示的信息，如数字、符号，典型的结构化数据可以但不限于包括：日期、电话号码、地址、产品名称等；非结构化数据本质上是结构化数据之外的一切数据。它不符合任何预定义的模型，因此它存储在非关系数据库中，非结构化数据可能是文本的或非文本的，也可能是人为的或机器生成的，非结构化数据就可以是字段可变的数据，例如，语音语调、情绪、能量、静默时长等特征。

本发明实施例的结构化用户特征向量可以用于表达被推荐方用户的结构化数据，非结构化用户特征向量可以用于表达被推荐方用户的非结构化数据，结构化推荐物品特征向量可以用于表达推荐物品的结构化数据，非结构化物品特征向量可以用于表达推荐物品的非结构化数据。

本发明实施例可以获取针对被推荐方用户的结构化用户特征向量和非结构化用户特征向量，并获取针对推荐物品的结构化推荐物品特征向量和非结构化物品特征向量。

在具体实现中，针对结构化用户特征向量和结构化推荐物品特征向量的获取，可以对连续变量进行预处理，例如，对量纲的统一，保证维度之间不会因为量纲问题引起该维度失效，同时对不同的维度采取恰当的方式填补缺失值。然后对离散变量进行预处理，例如对时序维度、性别等，可以采用OneHot编码方式，从而可以获取针对结构化用户特征向量和结构化推荐物品特征向量。

针对非结构化用户特征向量和非结构化推荐物品特征向量的获取，可以对文本数据搭建特征抽取模型，文本数据主要是录音文本、工单描述等，在提取时主要使用Word2Vec方法，分析主要使用Bert模型，然后可以对声音数据搭建深度学习特征抽取模型，对语音语调、情绪、能量、静默时长等特征进行抽取及打标，其中，Word2vec，是一群用来产生词向量的相关模型。这些模型为浅而双层的神经网络，用来训练以重新建构语言学之词文本。网络以词表现，并且需猜测相邻位置的输入词，在word2vec中词袋模型假设下，词的顺序是不重要的。训练完成之后，word2vec模型可用来映射每个词到一个向量，可用来表示词对词之间的关系，该向量为神经网络之隐藏层；而Bert来自谷歌的论文，语言理解深度双向变换器的预训练(Pre-training of Deep Bidirectional Transformers for LanguageUnderstanding)BERT是“Bidirectional Encoder Representations from Transformers”的首字母缩写，Bert整体是一个自编码语言模型。

本发明实施例，通过获取针对被推荐方用户的结构化用户特征向量和非结构化用户特征向量；获取针对推荐物品的结构化推荐物品特征向量和非结构化物品特征向量，从而分别从结构数据和非结构数据的角度对第一用户特征向量和推荐物品特征向量进行提取，更进一步地提升了通过深度学习模型对用户推送物品信息的准确率和效率。

在本发明的一个可选地实施例中，所述基于所述源模型，通过第一用户特征向量和所述推荐物品特征向量计算生成针对所述被推荐方用户和所述推荐物品的基础匹配概率的步骤包括：

将所述结构化用户特征向量输入至所述源模型，计算生成第一特征丢失率；

将所述结构化推荐物品特征向量输入至所述源模型，计算生成第二特征丢失率；

将所述非结构化用户特征向量输入至所述源模型，计算生成第三特征丢失率；

将所述非结构化推荐物品特征向量输入至所述源模型，计算生成第四特征丢失率；

当所述第一特征丢失率、所述第二特征丢失率、所述第三特征丢失率和所述第四特征丢失率低于预设阈值时，采用所述结构化用户特征向量、所述非结构化用户特征向量、所述结构化推荐物品特征向量和所述非结构化物品特征向量，通过所述源模型计算生成针对所述被推荐方用户和所述推荐物品的基础匹配概率。

本发明实施例可以将结构化用户特征向量输入至源模型，计算生成第一特征丢失率，将结构化推荐物品特征向量输入至源模型，计算生成第二特征丢失率，将非结构化用户特征向量输入至源模型，计算生成第三特征丢失率，将非结构化推荐物品特征向量输入至源模型，计算生成第四特征丢失率。

可选地，当第一特征丢失率、第二特征丢失率高于或等于预设阈值时，可以对结构化用户特征向量或结构化推荐物品特征向量的特征抽取方式进行调整，以及对模型参数进行微调，以使特征丢失率低于预设阈值；当第三特征丢失率和第四特征丢失率高于或等于预设阈值时，可以对非结构化用户特征向量或非结构化推荐物品特征向量特征抽取方式进行调整，以及，对特征抽取模型参数进行微调，以使特征丢失率低于预设阈值。

当第一特征丢失率、第二特征丢失率、第三特征丢失率和第四特征丢失率低于预设阈值时，采用结构化用户特征向量、非结构化用户特征向量、结构化推荐物品特征向量和非结构化物品特征向量，通过源模型计算生成针对被推荐方用户和推荐物品的基础匹配概率。

示例性地，可以选择一个可以对特征学习后精确度和准确度都较高的算法群作为源模型的核心算法，例如，GBDT(梯度提升决策树，Gradient Boosting Decision Tree)算法，随机森林RF算法等等，设定合理的算法选择及集成规则，引入多任务学习模型作为源模型，在公司收益、用户需求的基础上训练模型进行用户理解，通过源模型计算生成针对被推荐方用户和推荐物品的基础匹配概率。

本发明实施例，通过将所述结构化用户特征向量输入至所述源模型，计算生成第一特征丢失率；将所述结构化推荐物品特征向量输入至所述源模型，计算生成第二特征丢失率；将所述非结构化用户特征向量输入至所述源模型，计算生成第三特征丢失率；将所述非结构化推荐物品特征向量输入至所述源模型，计算生成第四特征丢失率；当所述第一特征丢失率、所述第二特征丢失率、所述第三特征丢失率和所述第四特征丢失率低于预设阈值时，采用所述结构化用户特征向量、所述非结构化用户特征向量、所述结构化推荐物品特征向量和所述非结构化物品特征向量，通过所述源模型计算生成针对所述被推荐方用户和所述推荐物品的基础匹配概率，从而提升了基础匹配概率的准确性，更进一步地提升了通过深度学习模型对用户推送物品信息的准确率和效率。

在本发明的一个可选地实施例中，所述源模型具有对应的源域，所述通过所述第一用户特征向量、所述第二用户特征向量和所述基础匹配概率训练所述源模型，生成目标模型的步骤包括：

通过所述基础匹配概率和所述第二用户特征向量对所述源模型进行特征自适应训练，生成初始目标模型；所述初始目标模型具有对应的目标域；

将所述第一用户特征向量和所述第二用户特征向量共享至所述目标域，并当判定所述源域中的源域特征向量和所述目标域中的目标域特征向量存在第一映射关系时，则获取针对所述目标域的目标域误差值；

当所述目标域误差值小于预设阈值时，将所述初始目标模型确定为目标模型。

在实际应用中，生成目标模型需要对齐源域和目标域，确保模型有解，而特征自适应训练是训练模型的一种常规手段，其基本思想是学习公共的特征表示，在公共特征空间，源域和目标域的分布要尽可能相同。

本发明实施例可以通过基础匹配概率和第二用户特征向量对源模型进行特征自适应训练，生成具有对应的目标域的初始目标模型，然后将第一用户特征向量和第二用户特征向量共享至所述目标域。

例如，将源模型中推荐人的特征共享到目标域中，主要是推荐人服务技能评估结果以及推荐人基本信息，其中服务技能评估结果需为连续阶段数据，从而可以复合计算新的时序特征，又如，可以将部分用户(被推荐人)情绪类、社会关系类等特征也填补到目标域中，该类特征的来源可以来自于用户与推荐人历史沟通的语音或工单信息，以及社会网络分析模型的结果。

当判定源域中的源域特征向量和目标域中的目标域特征向量存在第一映射关系时，则获取针对所述目标域的目标域误差值，并当目标域误差值小于预设阈值时，将所述初始目标模型确定为目标模型即，本发明实施例可以在模型有解时，计算针对源域和目标域的边缘分布概率的距离，当边缘分布概率的距离时，确定出目标模型。

在实际应用中，也可能会出现模型无解的情况，例如，由于特征数据稀疏或限制条件严苛导致模型输出-1而致使该用户推荐无解的过拟合现象。

可选地，当判定源域中的源域特征向量和所述目标域中的目标域特征向量存在第一映射关系时，可以通过判断源模型是否过度训练，或判断初始目标模型是否过度训练，而后调整训练侧重点，对源模型进行训练，直至源域和目标域对其，确保目标模型有解。

本发明实施例通过所述基础匹配概率和所述第二用户特征向量对所述源模型进行特征自适应训练，生成初始目标模型；所述初始目标模型具有对应的目标域；将所述第一用户特征向量和所述第二用户特征向量共享至所述目标域，并当判定所述源域中的源域特征向量和所述目标域中的目标域特征向量存在第一映射关系时，则获取针对所述目标域的目标域误差值；当所述目标域误差值小于预设阈值时，将所述初始目标模型确定为目标模型，从而保证了模型在有解且的前提下生成目标模型，更进一步地提升了通过深度学习模型对用户推送物品信息的准确率和效率。

在本发明的一个可选地实施例中，还包括：

当所述目标域误差值大于或等于预设阈值时，构建针对所述源域中的源域特征向量和所述目标域中的目标域特征向量的第二映射关系；所述第二映射关系用于调整所述目标域误差值。

在实际应用中，模型泛化误差低于阈值，则可以直接输出结果，即，可以生成用于为被推荐方与推荐物品确定最终匹配关系的目标模型。但在一般情况下，无法直接得到目标域误差低于阈值的理想情况，即在保证源域误差最小化以及对齐源域和目标域的基础上，还需要进行模型降噪。

在具体实现中，本发明实施例可以构建一个针对源域中的源域特征向量和目标域中的目标域特征向量的第二映射关系，然后将其叠加到源域中的源域特征向量和目标域中的目标域特征向量上，以叠加第二映射关系后，源域和目标域的边缘概率分布的距离减小到阈值以下为目标，对初始目标模型进行边缘分布自适应训练，知道源域和目标域的边缘概率分布的距离减小到阈值以下。

本发明实施例，通过在所述目标域误差值大于或等于预设阈值时，构建针对所述源域中的源域特征向量和所述目标域中的目标域特征向量的第二映射关系，从而保证了在无法直接得到目标域误差低于阈值的理想情况，对模型进行降噪，更进一步地提升了通过深度学习模型对用户推送物品信息的准确率和效率。

为使本领域技术人员更好的理解本发明实施例，以下用一完整示例对本发明实施例进行说明。

参考图2，图2是本发明实施例中提供的一种物品信息推送方法的流程示意图。

步骤一：开发源模型，对源域的误差风险产生有效约束，包括：

1、抽取特征并确定源模型核心算法：

1)抽取结构化数据特征：①对连续变量进行预处理，主要是对量纲的统一，保证维度之间不会因为量纲问题引起该维度失效，同时对不同的维度采取恰当的方式填补缺失值；②对离散变量进行预处理，主要是时序维度、性别等，主要采用OneHot编码方式。

2)抽取非结构化数据特征：①对文本数据搭建特征抽取模型，文本数据主要是录音文本、工单描述等，在提取时主要使用Word2Vec方法，分析主要使用Bert模型；②对声音数据搭建深度学习特征抽取模型，对语音语调、情绪、能量、静默时长等特征进行抽取及打标。

3)计算特征丢失率：①将结构化数据输入源模型并计算特征丢失率，对于丢失率超过阈值的进行特征抽取方式调整及模型参数微调；②将非结构化数据输入源模型并计算特征丢失率，对于丢失率超过阈值的进行特征抽取方式调整及特征抽取模型参数微调。

4)确定源模型核心算法：①选择一个可以对特征学习后精确度和准确度都较高的算法群作为源模型的核心算法，设定合理的算法选择及集成规则；②引入多任务学习模型，在公司收益、用户需求的基础上训练模型进行用户理解，输出用户与产品匹配的基础概率。

2、基于用户与产品匹配的基础概率，应用推荐人基本信息、推荐人服务技能评估结果等抽取推荐人特征，增加推荐人自适应训练，通过增加相对用户特征更易获得的推荐人特征及条件，在降低训练消耗的基础上，一方面提升任务间相关性，一方面将基于历史数据的用户理解转化为基于沟通过程的用户理解，训练过程中需对推荐人特征进行合理取舍，以对迁移学习前源域的误差风险产生有效约束。

步骤二：开发重用模型，对齐源域和目标域，确保模型有解：

基于推荐人范围、多任务条件均不变的假设：

1、共享推荐人特征：将源模型中推荐人的特征共享到目标域中，主要是推荐人服务技能评估结果以及推荐人基本信息，其中服务技能评估结果需为连续阶段数据，从而可以复合计算新的时序特征；

2、共享用户特征：将部分用户情绪类、社会关系类等特征也填补到目标域中，该类特征的来源主要是用户与推荐人历史沟通的语音或工单信息，以及社会网络分析模型的结果；

3、映射优化，判断是否有解：通过规则叠加和规则变换对源域的映射进行优化。优化过程重点通过填补推荐人特征解决推荐结果无解的情况，即由于特征数据稀疏或限制条件严苛导致模型输出-1而致使该用户推荐无解的过拟合现象，由于训练全过程参数固定不变，故而针对过拟合现象需进一步判断；

4、判断过拟合原因并处理：确认是否源模型过度训练，或重用模型过度训练，而后调整训练侧重点，直至对齐源域和目标域，确保模型有解。

步骤三、模型降噪，以最终确定用户与产品的匹配关系：

1、判断目标域误差是否低于阈值：如果模型泛化误差低于阈值，则直接输出结果，即为用户与产品最终的匹配关系。但一般不能直接得到目标域误差低于阈值的理想情况，即在保证源域误差最小化以及对齐源域和目标域的基础上，还需要进行模型降噪。

2、叠加映射，计算边缘分布概率的距离：为保留重用模型的训练结果，需在步骤二获得的映射基础上，即保证有解的前提下，对源域和目标域的特征叠加一个映射，以此解决模型泛化误差过大的问题。以映射后源域和目标域的边缘概率分布的距离减小到阈值以下为目标，进行计算。

3、边缘分布自适应训练：以映射后源域和目标域的边缘概率分布的距离为目标，进行边缘分布自适应训练，对叠加的映射进行优化，此过程中步骤二中的参数依然固定不变，仅通过此方法对模型泛化误差的最小值进行求解，直到最终结果低于阈值即结束，至此，可得到最终的用户与产品一一对应关系，明确为用户进行该产品推荐。

通过上述方式，1)通过寻求产品与用户一对一匹配全局最优解的方式，实现多任务推荐场景的最优推荐策略输出，从而满足多方利益和诉求，实现用户满意度、公司发展和收益、员工满意度的多重提升；2)通过模型自适应，实现模型在多场景多任务中均有较好的输出效果，对于不同目标任务的场景，均能实现最优推荐策略的输出，适用于线上、线下等多渠道的产品个性化推荐；3)在服务人员数量有限的情况下，可以按照模型输出的推荐策略对需维系服务的工单进行划分，对高成功率、高收益的用户群体进行优先处理，实现用户分层触达的效率最大化，最大限度提升业务推荐效果。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

参照图3，示出了本发明实施例中提供的一种物品信息推送装置的结构框图，具体可以包括如下模块：

特征向量获取模块301，用于获取针对被推荐方用户的第一用户特征向量和针对推荐物品的推荐物品特征向量；

基础匹配概率计算模块302，用于确定源模型，并基于所述源模型，通过所述第一用户特征向量和所述推荐物品特征向量计算生成针对所述被推荐方用户和所述推荐物品的基础匹配概率；

第二用户特征向量获取模块303，用于获取针对推荐方用户的第二用户特征向量；

目标模型生成模块304，用于通过所述第一用户特征向量、所述第二用户特征向量和所述基础匹配概率训练所述源模型，生成目标模型；

物品信息推荐模块305，用于采用所述目标模型推送针对所述推荐物品的物品信息。

可选地，所述特征向量获取模块包括：

用户特征向量获取子模块，用于获取针对被推荐方用户的结构化用户特征向量和非结构化用户特征向量；

物品特征向量获取子模块，用于获取针对推荐物品的结构化推荐物品特征向量和非结构化物品特征向量。

可选地，所述基础匹配概率计算模块可以包括：

第一特征丢失率计算子模块，用于将所述结构化用户特征向量输入至所述源模型，计算生成第一特征丢失率；

第二特征丢失率计算子模块，用于将所述结构化推荐物品特征向量输入至所述源模型，计算生成第二特征丢失率；

第三特征丢失率计算子模块，用于将所述非结构化用户特征向量输入至所述源模型，计算生成第三特征丢失率；

第四特征丢失率计算子模块，用于将所述非结构化推荐物品特征向量输入至所述源模型，计算生成第四特征丢失率；

基础匹配概率计算子模块，用于在所述第一特征丢失率、所述第二特征丢失率、所述第三特征丢失率和所述第四特征丢失率低于预设阈值时，采用所述结构化用户特征向量、所述非结构化用户特征向量、所述结构化推荐物品特征向量和所述非结构化物品特征向量，通过所述源模型计算生成针对所述被推荐方用户和所述推荐物品的基础匹配概率。

可选地，所述源模型具有对应的源域，所述目标模型生成模块可以包括：

初始目标模型生成子模块，用于通过所述基础匹配概率和所述第二用户特征向量对所述源模型进行特征自适应训练，生成初始目标模型；所述初始目标模型具有对应的目标域；

目标域误差值获取子模块，用于将所述第一用户特征向量和所述第二用户特征向量共享至所述目标域，并当判定所述源域中的源域特征向量和所述目标域中的目标域特征向量存在第一映射关系时，则获取针对所述目标域的目标域误差值；

目标模型确定子模块，用于当所述目标域误差值小于预设阈值时，将所述初始目标模型确定为目标模型。

可选地，还可以包括：

第二映射关系构建子模块，用于当所述目标域误差值大于或等于预设阈值时，构建针对所述源域中的源域特征向量和所述目标域中的目标域特征向量的第二映射关系；所述第二映射关系用于调整所述目标域误差值。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

另外，本发明实施例还提供了一种电子设备，包括：处理器，存储器，存储在存储器上并可在处理器上运行的计算机程序，该计算机程序被处理器执行时实现上述物品信息推送方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述物品信息推送方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。

图4为实现本发明各个实施例的一种电子设备的硬件结构示意图。

该电子设备400包括但不限于：射频单元401、网络模块402、音频输出单元403、输入单元404、传感器405、显示单元406、用户输入单元407、接口单元408、存储器409、处理器410、以及电源411等部件。本领域技术人员可以理解，图4中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。在本发明实施例中，电子设备包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。

应理解的是，本发明实施例中，射频单元401可用于收发信息或通话过程中，信号的接收和发送，具体的，将来自基站的下行数据接收后，给处理器410处理；另外，将上行的数据发送给基站。通常，射频单元401包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元401还可以通过无线通信系统与网络和其他设备通信。

电子设备通过网络模块402为用户提供了无线的宽带互联网访问，如帮助用户收发电子邮件、浏览网页和访问流式媒体等。

音频输出单元403可以将射频单元401或网络模块402接收的或者在存储器409中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元403还可以提供与电子设备400执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元403包括扬声器、蜂鸣器以及受话器等。

输入单元404用于接收音频或视频信号。输入单元404可以包括图形处理器(Graphics Processing Unit，GPU)4041和麦克风4042，图形处理器4041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元406上。经图形处理器4041处理后的图像帧可以存储在存储器409(或其它存储介质)中或者经由射频单元401或网络模块402进行发送。麦克风4042可以接收声音，并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元401发送到移动通信基站的格式输出。

电子设备400还包括至少一种传感器405，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板4061的亮度，接近传感器可在电子设备400移动到耳边时，关闭显示面板4061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别电子设备姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；传感器405还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等，在此不再赘述。

显示单元406用于显示由用户输入的信息或提供给用户的信息。显示单元406可包括显示面板4061，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板4061。

用户输入单元407可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元407包括触控面板4071以及其他输入设备4072。触控面板4071，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板4071上或在触控面板4071附近的操作)。触控面板4071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器410，接收处理器410发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板4071。除了触控面板4071，用户输入单元407还可以包括其他输入设备4072。具体地，其他输入设备4072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。

进一步的，触控面板4071可覆盖在显示面板4061上，当触控面板4071检测到在其上或附近的触摸操作后，传送给处理器410以确定触摸事件的类型，随后处理器410根据触摸事件的类型在显示面板4061上提供相应的视觉输出。虽然在图4中，触控面板4071与显示面板4061是作为两个独立的部件来实现电子设备的输入和输出功能，但是在某些实施例中，可以将触控面板4071与显示面板4061集成而实现电子设备的输入和输出功能，具体此处不做限定。

接口单元408为外部装置与电子设备400连接的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元408可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到电子设备400内的一个或多个元件或者可以用于在电子设备400和外部装置之间传输数据。

存储器409可用于存储软件程序以及各种数据。存储器409可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器409可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

处理器410是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器409内的软件程序和/或模块，以及调用存储在存储器409内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。处理器410可包括一个或多个处理单元；优选的，处理器410可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器410中。

电子设备400还可以包括给各个部件供电的电源411(比如电池)，优选的，电源411可以通过电源管理系统与处理器410逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

另外，电子设备400包括一些未示出的功能模块，在此不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。

本领域普通技术人员可以意识到，结合本发明实施例中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (12)

1.一种物品信息推送方法，其特征在于，包括：

获取针对被推荐方用户的第一用户特征向量和针对推荐物品的推荐物品特征向量；

确定源模型，并基于所述源模型，通过所述第一用户特征向量和所述推荐物品特征向量计算生成针对所述被推荐方用户和所述推荐物品的基础匹配概率；

获取针对推荐方用户的第二用户特征向量；

通过所述第一用户特征向量、所述第二用户特征向量和所述基础匹配概率训练所述源模型，生成目标模型；

采用所述目标模型推送针对所述推荐物品的物品信息。

2.根据权利要求1所述的方法，其特征在于，所述获取针对被推荐方用户的第一用户特征向量和针对推荐物品的推荐物品特征向量的步骤包括：

获取针对被推荐方用户的结构化用户特征向量和非结构化用户特征向量；

获取针对推荐物品的结构化推荐物品特征向量和非结构化物品特征向量。

3.根据权利要求2所述的方法，其特征在于，所述基于所述源模型，通过第一用户特征向量和所述推荐物品特征向量计算生成针对所述被推荐方用户和所述推荐物品的基础匹配概率的步骤包括：

将所述结构化用户特征向量输入至所述源模型，计算生成第一特征丢失率；

将所述结构化推荐物品特征向量输入至所述源模型，计算生成第二特征丢失率；

将所述非结构化用户特征向量输入至所述源模型，计算生成第三特征丢失率；

将所述非结构化推荐物品特征向量输入至所述源模型，计算生成第四特征丢失率；

当所述第一特征丢失率、所述第二特征丢失率、所述第三特征丢失率和所述第四特征丢失率低于预设阈值时，采用所述结构化用户特征向量、所述非结构化用户特征向量、所述结构化推荐物品特征向量和所述非结构化物品特征向量，通过所述源模型计算生成针对所述被推荐方用户和所述推荐物品的基础匹配概率。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述源模型具有对应的源域，所述通过所述第一用户特征向量、所述第二用户特征向量和所述基础匹配概率训练所述源模型，生成目标模型的步骤包括：

通过所述基础匹配概率和所述第二用户特征向量对所述源模型进行特征自适应训练，生成初始目标模型；所述初始目标模型具有对应的目标域；

将所述第一用户特征向量和所述第二用户特征向量共享至所述目标域，并当判定所述源域中的源域特征向量和所述目标域中的目标域特征向量存在第一映射关系时，则获取针对所述目标域的目标域误差值；

当所述目标域误差值小于预设阈值时，将所述初始目标模型确定为目标模型。

5.根据权利要求4所述的方法，其特征在于，还包括：

当所述目标域误差值大于或等于预设阈值时，构建针对所述源域中的源域特征向量和所述目标域中的目标域特征向量的第二映射关系；所述第二映射关系用于调整所述目标域误差值。

6.一种物品信息推送装置，其特征在于，包括：

特征向量获取模块，用于获取针对被推荐方用户的第一用户特征向量和针对推荐物品的推荐物品特征向量；

基础匹配概率计算模块，用于确定源模型，并基于所述源模型，通过所述第一用户特征向量和所述推荐物品特征向量计算生成针对所述被推荐方用户和所述推荐物品的基础匹配概率；

第二用户特征向量获取模块，用于获取针对推荐方用户的第二用户特征向量；

目标模型生成模块，用于通过所述第一用户特征向量、所述第二用户特征向量和所述基础匹配概率训练所述源模型，生成目标模型；

物品信息推荐模块，用于采用所述目标模型推送针对所述推荐物品的物品信息。

7.根据权利要求6所述的装置，其特征在于，所述特征向量获取模块包括：

用户特征向量获取子模块，用于获取针对被推荐方用户的结构化用户特征向量和非结构化用户特征向量；

物品特征向量获取子模块，用于获取针对推荐物品的结构化推荐物品特征向量和非结构化物品特征向量。

8.根据权利要求7所述的装置，其特征在于，所述基础匹配概率计算模块包括：

第一特征丢失率计算子模块，用于将所述结构化用户特征向量输入至所述源模型，计算生成第一特征丢失率；

第二特征丢失率计算子模块，用于将所述结构化推荐物品特征向量输入至所述源模型，计算生成第二特征丢失率；

第三特征丢失率计算子模块，用于将所述非结构化用户特征向量输入至所述源模型，计算生成第三特征丢失率；

第四特征丢失率计算子模块，用于将所述非结构化推荐物品特征向量输入至所述源模型，计算生成第四特征丢失率；

基础匹配概率计算子模块，用于在所述第一特征丢失率、所述第二特征丢失率、所述第三特征丢失率和所述第四特征丢失率低于预设阈值时，采用所述结构化用户特征向量、所述非结构化用户特征向量、所述结构化推荐物品特征向量和所述非结构化物品特征向量，通过所述源模型计算生成针对所述被推荐方用户和所述推荐物品的基础匹配概率。

9.根据权利要求6-8任一项所述的装置，其特征在于，所述源模型具有对应的源域，所述目标模型生成模块包括：

初始目标模型生成子模块，用于通过所述基础匹配概率和所述第二用户特征向量对所述源模型进行特征自适应训练，生成初始目标模型；所述初始目标模型具有对应的目标域；

目标域误差值获取子模块，用于将所述第一用户特征向量和所述第二用户特征向量共享至所述目标域，并当判定所述源域中的源域特征向量和所述目标域中的目标域特征向量存在第一映射关系时，则获取针对所述目标域的目标域误差值；

目标模型确定子模块，用于当所述目标域误差值小于预设阈值时，将所述初始目标模型确定为目标模型。

10.根据权利要求9所述的装置，其特征在于，还包括：

第二映射关系构建子模块，用于当所述目标域误差值大于或等于预设阈值时，构建针对所述源域中的源域特征向量和所述目标域中的目标域特征向量的第二映射关系；所述第二映射关系用于调整所述目标域误差值。

11.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口以及所述存储器通过所述通信总线完成相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行存储器上所存放的程序时，实现如权利要求1-5任一项所述的方法。

12.一种计算机可读存储介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如权利要求1-5任一项所述的方法。

Images