CN116975632A - 一种线索分发模型训练方法、装置、设备和介质 - Google Patents

一种线索分发模型训练方法、装置、设备和介质 Download PDF

Info

Publication number
CN116975632A
CN116975632A CN202310845182.1A CN202310845182A CN116975632A CN 116975632 A CN116975632 A CN 116975632A CN 202310845182 A CN202310845182 A CN 202310845182A CN 116975632 A CN116975632 A CN 116975632A
Authority
CN
China
Prior art keywords
data
cue
user
distribution model
training
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
Application number
CN202310845182.1A
Other languages
English (en)
Inventor
周明
贾强强
陈向东
易龙
王婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Siming Qichuang Technology Co ltd
Original Assignee
Beijing Siming Qichuang Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Siming Qichuang Technology Co ltd filed Critical Beijing Siming Qichuang Technology Co ltd
Priority to CN202310845182.1A priority Critical patent/CN116975632A/zh
Publication of CN116975632A publication Critical patent/CN116975632A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种线索分发模型训练方法、装置、设备和介质。该方法包括:获取使用目标应用的多个使用用户分别提供的线索数据;线索数据包括使用用户的行为数据和用户信息;针对每个使用用户提供的所述线索数据,在行为数据中检测资源获取时间,并根据检测结果计算使用用户的样本权重;针对每个使用用户,将使用用户提供的线索数据和样本权重作为使用用户的样本数据;获取各使用用户的样本数据对应的标准预测结果;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,线索分发模型用于根据使用用户的线索数据检测使用用户对资源的感兴趣概率。本发明实施例能够提高模型训练结果的准确性。

Description

一种线索分发模型训练方法、装置、设备和介质
技术领域
本发明涉及计算机技术领域,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
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。
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。
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。
发明内容
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。
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:
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;
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;
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;
获取各所述使用用户的样本数据对应的标准预测结果;
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。
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:
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;
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;
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;
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;
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。
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:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
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。
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。
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。
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。
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。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种线索分发模型训练方法的流程图;
图2是根据本发明实施例二提供的一种线索分发模型训练方法的流程图;
图3是根据本发明实施例三提供的一种线索分发模型训练方法的流程图;
图4是根据本发明实施例四提供的一种线索分发模型训练装置的结构示意图;
图5是实现本发明实施例的线索分发模型训练方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。本发明的技术方案中,所涉及的数据的收集、存储、使用、加工、传输、提供和公开等,均符合相关法律法规的规定,且不违背公序良俗。
实施例一
图1为本发明实施例一提供了一种线索分发模型训练方法的流程图,本实施例可适用于在对线索分发模型进行训练的情况,该方法可以由线索分发模型训练装置来执行,该线索分发模型训练装置可以采用硬件和/或软件的形式实现,该线索分发模型训练装置可配置于电子设备中。如图1所示,该方法包括:
S110、获取使用目标应用的多个使用用户分别提供的线索数据。
目标应用是指需要获取使用用户提供线索数据的应用。使用用户通过使用目标应用能够获取感兴趣的资源。在本申请中,目标应用可以是学习软件、视频软件或购物软件等。线索数据用于描述使用用户在使用目标应用的过程中提供的数据。线索数据包括所述使用用户的行为数据和用户信息。其中,行为数据用于描述使用用户在使用目标应用的过程中,对目标应用所做的操作行为。用户信息用于区分不同的使用用户。示例性的,行为数据可以包括页面停留时间和资源获取时间等中的至少一项。用户信息可以包括用户注册时间、用户注册名称和用户注册位置等中的至少一项。用户信息的收集、存储、使用、加工、传输、提供和公开等,均符合相关法律法规的规定,且不违背公序良俗。
具体的,可以通过目标应用的服务器,获取在采集时间段内的使用目标应用使用用户提供的线索数据。其中,使用目标应用的使用用户可以有多个。采集时间段可以是与当前时间相邻且在当前时间之前的时间段。采集时间段的长度可以根据实际情况进行设置。示例性的,当前时间为5月1日,对于目标应用1,可以获取在3月1日至4月30日之间,使用目标应用1的多个使用用户分别提供的线索数据。
进一步的,线索数据还包括服务人员的反馈数据和服务人员信息。服务人员是指与使用用户通过目标应用进行交互的人员。服务人员可以根据使用用户的行为数据和用户信息,向使用人员推荐使用用户可能感兴趣的资源,从而提高使用用户对资源的感兴趣概率。反馈数据用于描述服务人员针对使用用户的行为数据和用户信息,对目标应用所做的操作行为。服务人员信息是指与使用用户进行交互的人员的信息。通过服务人员信息可以确定与使用用户进行交互的人员。示例性的,在目标应用为学习软件时,反馈数据可以是催课次数和补课次数等。服务人员信息可以是服务人员编号和服务范围等。通过在线索数据中增加服务人员的反馈数据和服务人员信息,增加了线索数据的丰富性,能够在模型训练过程中,将服务人员的反馈数据和服务人员信息,作为使用用户对资源的感兴趣概率的影响因素,从而提高模型训练的准确性。
S120、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。
资源获取时间用于描述使用用户获取到资源的时间。样本权重用于描述对线索数据中各数据的关注度,样本权重越大,关注度越大。检测结果用于描述在行为数据中是否存在资源获取时间。检测结果可以是存在和不存在,其中存在表明行为数据中存在资源获取时间,不存在表明行为数据中不存在资源获取时间。具体的,对于每个使用用户提供的线索数据,可以按照线索数据的采集时间对线索数据进行划分,得到至少一个数据集合,在各数据集合的行为数据中检测资源获取时间,对于线索数据中的每一个数据集合,在数据集合的行为数据中存在资源获取时间时,计算数据集合对应的样本权重,将各数据集合对应的样本权重作为使用用户的样本权重。可以理解的是,数据集合中包括在采集时间采集的使用用户的行为数据和用户信息。采集时间是指获取线索数据的时间,在本发明中,可以在采集时间段内获取使用用户提供的线索数据,在采集时间段内可以包括多个采集时间,在每一个采集时间获取一次使用用户提供的线索数据。示例性的,可以获取使用用户在3月1日到4月30日提供的线索数据,在采集时间段3月1日到4月30日之内,可以将每一日作为一个采集时间,也就是采集时间为3月1日、3月2日和3月3日等,在3月1日采集一次使用用户提供的线索数据,并作为一个数据集合,在3月3日采集一次使用用户提供的线索数据,并作为一个数据集合,将3月1日到4月30日采集的全部数据集合作为线索数据。
具体的,针对每个使用用户提供的线索数据,检测行为数据中的资源获取时间,在检测结果为存在时,计算使用用户的样本权重,在检测结果为不存在时,可以将使用用户的样本权重设置为固定值,也可以剔除使用用户提供的线索数据,表明无需使用线索分发模型检测该使用用户对资源的感兴趣概率,也可以理解为线索分发模型将不会输出该使用用户对资源的感兴趣概率。具体的,固定值的数值可以根据实际情况进行确认,示例性的,固定值可以设置为0。
进一步的,根据检测结果计算所述使用用户的样本权重,包括:根据所述线索数据中的资源获取时间和当前时间的差值,确定所述使用用户的样本权重。
当前时间是指对线索分发模型进行训练的时间。具体的,对于线索数据中的各数据集合,可以将线索数据中的资源获取时间和当前时间的差值直接作为样本权重,也可以为资源获取时间和当前时间的差值设置权重参数,将资源获取时间和当前时间的差值与权重参数的乘积作为样本权重。示例性的,样本权重=α*(当前时间-资源获取时间)。其中,α为权重参数,可以根据实际情况进行设置。
通过资源获取时间和当前时间的差值确定使用用户的样本权重,能够在模型训练过程中,对不同资源获取时间采集到的数据具有不同的关注度,实现了对线索数据中部分数据的针对性分析,提高了模型训练的准确性。
S130、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。
样本数据作为线索分发模型的输入数据,用于对线索分发模型进行训练。对于每一个使用用户,将该使用用户提供的线索数据和样本权重作为该使用用户的样本数据。一个使用用户对应有一个样本数据。
S140、获取各所述使用用户的样本数据对应的标准预测结果。
标准预测结果用于描述将使用用户的样本数据输入到线索分类模型后,需要得到的输出结果。在本申请中,标准预测结果可以是使用用户获取资源或未获取资源。具体的,可以从目标应用的服务器中获取使用用户的样本数据对应的标准预测结果。
S150、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。
目标线索分发模型是指线索分发模型训练完成后得到的模型。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。可以理解的是,将线索数据输入至线索分发模型中后,得到的输出结果为使用用户对资源的感兴趣概率。使用用户对资源的感兴趣概率用于描述使用用户选择获取资源的可能性,感兴趣概率越大,使用用户获取资源的可能性越大。
具体的,将多个使用用户提供的样本数据和对应的标准预测结果输入至线索分发模型中,对线索分发模型进行训练,将训练后的线索分发模型作为目标线索分发模型。
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。
进一步的,还包括:获取所述使用目标应用的使用用户提供的目标线索数据;将所述目标线索数据输入至所述目标线索分发模型中,得到目标线索分数;根据所述目标线索分数确定所述目标线索数据的分类结果,向所述目标线索数据对应的客户端发送资源信息。
其中,目标线索数据是指需要检测使用用户对资源的感兴趣概率的数据。目标线索分数是指使用用户对资源的感兴趣概率。目标线索分数越高,使用用户对资源的感兴趣概率越大,也就是使用用户获取资源的可能性越大。目标线索数据的分类结果用于描述使用用户的类别。不同类别的使用用户,可以提供不同的资源信息。资源信息用于区分不同的资源,使用用户通过资源信息可以确定是否获取资源。在本发明中,可以根据目标线索分数的大小划分使用用户的类别。可以理解的是,在本申请中,目标线索分数的取值范围为0至1,可以在0至1之间划分出至少两个分数区间,每一个分数区间对应一类使用用户的类别。对比目标线索分数和各分数区间,目标线索分数所在的分数区间作为目标线索数据的分类结果。目标线索分数所在的分数区间是指目标线索分数在分数区间内。分数区间的数量以及使用用户的类别可以根据实际情况进行设置。示例性的,可以在0至1之间划分出至少三个分数区间,分别为0至0.1,0.1至0.5和0.5至1,其中,0至0.1对应使用用户的类别1,0.1至0.5对应使用用户的类别2,0.5至1对应使用用户的类别3。目标线索分数为0.3时,目标线索分数在分数区间0.1至0.5内,目标线索数据的分类结果为分数区间0.1至0.5。
具体的,从目标应用的服务器中获取使用目标应用的使用用户提供的目标线索数据。使用用户的数量为至少一个。将目标线索数据输入至目标线索分发模型中,得到目标线索分发模型输出的目标线索分数。根据目标线索分数的大小,确定目标线索分数所在的分数区间,将目标线索所在的分数区间作为目标线索数据的分类结果。根据目标线索数据的分类结果,可以通过查表的方式确定向目标线索数据对应的客户端发送的资源信息,并发送资源信息。其中目标线索数据对应的客户端是指提供目标线索数据的使用用户,所使用的客户端。使用用户通过目标线索数据对应的客户端查看资源信息。
目标线索分发模型根据目标线索数据,得到目标线索分数,根据目标线索分数确定目标线索数据的分类结果,从而发送资源信息,实现了对使用用户针对性的发送资源信息,提高了使用用户获取资源的效率。
实施例二
图2为本发明实施例二提供的一种线索分发模型训练方法的流程图,本实施例在上述实施例的基础上,对获取使用目标应用的多个使用用户分别提供的线索数据进行了细化,进一步细化为:根据所述线索数据的采集时间,将多个使用用户分别提供的线索数据划分为测试数据和参考数据;将所述测试数据和所述参考数据输入至二分类模型中,对所述参考数据和所述测试数据之间的相似程度进行预测,得到所述测试数据对应的相似概率;在所述相似概率大于概率阈值时,将所述相似概率对应的测试数据和所述参考数据作为线索数据。如图2所示,该方法包括:
S210、根据所述线索数据的采集时间,将多个使用用户分别提供的线索数据划分为测试数据和参考数据。
采集时间是指采集线索数据的时间。采集时间的数量为至少一个。也就是对于每一个使用用户,可以在至少一个采集时间提供使用目标应用的线索数据,作为使用用户提供的线索数据。测试数据用于描述在采集时间距离当前时间较远时,使用用户提供的线索数据。参考数据用于描述在采集时间距离当前时间较近时,使用用户提供的线索数据。
具体的,对于每一个使用用户提供的线索数据,从线索数据中获取采集时间,其中线索数据中包括至少一个采集时间。采集时间大于第一时间阈值时,将在采集时间获取的线索数据作为参考数据,采集时间小于第一时间阈值时,将在采集时间获取的线索数据作为测试数据。第一时间阈值可以根据实际情况进行设置。采集时间大于第一时间阈值说明采集时间距离当前时间较近,采集时间小于第一时间阈值说明采集时间距离当前时间较远。
进一步的,对于每一个使用用户提供的线索数据,可以根据线索数据的采集时间为使用用户提供的线索数据设置时间权重。具体的,线索数据的采集时间与当前时间之间的差距越小,时间权重越大,线索数据的采集时间与当前时间之间的差距越大,时间权重越大。
S220、将所述测试数据和所述参考数据输入至二分类模型中,对所述参考数据和所述测试数据之间的相似程度进行预测,得到所述测试数据对应的相似概率。
二分类模型用于对参考数据和测试数据之间的分布状态进行预测。可以理解的是,将测试数据输入至线索分发模型中,得到测试数据对应的输出结果,将参考数据输入至线索分发模型中,得到参考数据对应的输出结果。相似程度用于描述测试数据对应的输出结果与参考数据对应的输出结果之间的差距。可以理解的是,测试数据对应的输出结果和参考数据对应的输出结果为使用用户对资源的感兴趣概率。差距越小,表明参考数据与测试数据之间的分布状态差距越小,测试数据对应的相似概率越大。参考数据与测试数据之间的差距越大,测试数据对应的相似概率越小。相似概率用于描述参考数据和所述测试数据之间的相似程度。
具体的,将测试数据和参考数据输入至二分类模型中,得到二分类模型输出结果的测试数据对应的相似概率,其中,每一个使用用户提供的线索数据中的测试数据对应有一个相似概率。
进一步的,在将测试数据和参考数据输入至二分类模型之前,可以分别为测试数据和参考数据设置标签,以区分测试数据和参考数据。在本发明中可以将测试数据的标签设置为0,将参考数据的标签设置为1,可以将测试数据、参考数据、测试数据的标签和参考数据的标签输入至二分类模型中,得到测试数据对应的相似概率。
S230、在所述相似概率大于概率阈值时,将所述相似概率对应的测试数据和所述参考数据作为线索数据。
概率阈值用于对使用用户提供的测试数据与参考数据之间的相似程度进行判断。相似概率大于概率阈值时,表明测试数据与参考数据之间相似程度较高。相似概率小于或等于概率阈值时,表明测试数据与参考数据之间相似程度较低。相似概率对应的测试数据用于描述能够通过二分类模型得到相似概率的测试数据。
具体的,将测试数据对应的至少一个相似概率,依次与概率阈值进行对比,相似概率小于或等于概率阈值时,将相似概率对应的测试数据剔除;相似概率大于概率阈值时,将相似概率对应的测试数据作为线索数据。同时将参考数据添加至线索数据中。
进一步的,可以根据实际需求,设置衍生数据与线索数据之间的映射关系,通过线索数据构建衍生数据。将衍生数据添加至线索数据中,对线索数据进行更新,提高线索数据的丰富性,为模型训练提供数据基础。示例性的,衍生数据与线索数据之间的映射关系可以是资源获取时间映射为资源获取时间处于早、中、晚、周末、工作日、节假日或寒暑假等中的至少一项,也就是,线索数据为资源获取时间,对应的衍生数据为早、中、晚、周末、工作日、节假日或寒暑假等中的至少一项。将衍生数据添加至线索数据中后,可以采用过滤式(filter)、包裹式(wrapper)和嵌入式(embedding)等方式中的至少一种,对线索数据进行筛选,将筛选结果作为新的线索数据,通过在将衍生数据添加至线索数据中后,对线索数据进行筛选,能够在保证线索数据丰富性的同时,剔除冗余的数据。
S240、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。
S250、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。
S260、获取各所述使用用户的样本数据对应的标准预测结果。
S270、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。
本发明实施例的技术方案,根据线索数据的采集时间,将使用用户提高的线索数据划分为测试数据和参考数据,通过获取测试数据对应的相似概率,将测试数据中与参考数据之间分布状态差距较大的测试数据剔除,能够保证测试数据与参考数据之间分布状态的一致性,从而在利用线索数据对线索分发模型进行训练时,提高训练结果的准确性。
实施例三
图3为本发明实施例三提供的一种线索分发模型训练方法的流程图,本实施例在上述实施例的基础上,对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进行了细化,进一步细化为:根据所述样本数据的采集时间,对所述各使用用户提供的样本数据和对应的标准预测结果进行划分,得到训练数据集合和验证数据集合;将所述训练数据集合输入至所述线索分发模型中,对所述线索分发模型进行训练,得到训练后的线索分发模型;在确定训练后的线索分发模型满足训练完成条件的情况下,将所述验证数据集合输入至所述训练后的线索分发模型中,对所述训练后的线索分发模型进行验证,得到验证结果;在所述验证结果满足训练完成条件的情况下,将所述训练后的线索分发模型作为目标线索分发模型。如图3所示,该方法包括:
S310、获取使用目标应用的多个使用用户分别提供的线索数据。
S320、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。
S330、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。
S340、获取各所述使用用户的样本数据对应的标准预测结果。
S350、根据所述样本数据的采集时间,对所述各使用用户提供的样本数据和对应的标准预测结果进行划分,得到训练数据集合和验证数据集合。
训练数据集合用于对线索分发模型进行训练。验证数据集合用于对训练后的线索分发模型进行验证。在本发明中,每一个采集时间的样本数据对应有一个标准预测结果。
具体的,对于每一个使用用户提供的样本数据,从线索数据中获取采集时间作为样本数据的采集时间。采集时间大于第二时间阈值时,将在采集时间获取的样本数据以及样本数据对应的标准预测结果作为验证数据集合,采集时间小于第二时间阈值时,将在采集时间获取的样本数据以及样本数据对应的标准预测结果作为训练数据集合。第二时间阈值可以根据实际情况进行设置。采集时间大于第二时间阈值说明采集时间距离当前时间较近,采集时间小于第二时间阈值说明采集时间距离当前时间较远。
S360、将所述训练数据集合输入至所述线索分发模型中,对所述线索分发模型进行训练,得到训练后的线索分发模型。
将训练数据集合输入至线索分发模型后,得到线索分发模型预测的使用用户对资源的感兴趣概率。根据感兴趣概率的大小对多个使用用户进行排序,按照排列结果将使用用户分为至少两个用户集合。对于每一个用户集合,根据使用用户的样本数据对应的标准预测结果,计算使用用户中获取资源的概率,可以将获取资源的比例与感兴趣概率之间的差值作为损失,对线索分发模型进行调整,实现线索分发模型的训练,得到训练后的线索分发模型。
S370、在确定训练后的线索分发模型满足训练完成条件的情况下,将所述验证数据集合输入至所述训练后的线索分发模型中,对所述训练后的线索分发模型进行验证,得到验证结果。
训练完成条件用于判断线索分发模型是否训练完成。训练后的线索分发模型满足训练完成条件,表明线索分发模型完成训练。训练后的线索分发模型不满足训练完成条件,表明线索分发模型未完成训练。
可选的,确定训练后的线索分发模型满足训练完成条件,包括:根据所述训练后的线索分发模型输出的多个使用用户的第一概率,在多个使用用户中筛选出关键用户;根据各所述关键用户对应的标准预测结果,对各所述关键用户进行分类,并计算关键类别比例;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;所述真实评价数值大于预设阈值时,确定训练后的线索分发模型满足训练完成条件。
其中,第一概率用于描述根据训练数据集合得到的使用用户对资源的感兴趣概率。关键用户是指需要针对性分析的使用用户。示例性的,关键用户可以是感兴趣概率在一定范围内的使用用户。可以预先设置一个概率范围,将感兴趣概率在概率范围内的使用用户作为关键用户。
具体的,将多个使用用户的训练数据集合输入至训练后的线索分发模型中,得到训练后的线索分发模型输出的多个使用用户的第一概率。对第一概率进行排序,根据排序结果选取预设概率范围内的第一概率对应的使用用户作为关键用户。概率范围可以根据实际情况进行设置。示例性的,可以将第一概率按照从大到小的顺序进行排序,从排序结果中选取末尾10%的第一概率对应的使用用户作为关键用户。
关键类别比例用于描述数据关键类别的关键用户在全部关键用户中所占的比例。具体的,根据各关键用户对应的标准预测结果,可以确定各关键用户获取资源或未获取资源。将获取资源的关键用户分为一类,类别为获取资源,将未获取资源的关键用户分为一类,类别为未获取资源。从获取资源和未获取资源两个类别中确定任一类别作为关键类别,计算关键类别比例。具体的,关键类别比例为属于关键类别的关键用户的数量与关键用户之间的比值。
真实评价数值用于描述训练后的线索分发模型的准确性,真实评价数值越大,表明训练后的线索分发模型越准确,真实评价数值越小,表明训练后的线索分发模型越不准确。在本发明中,可以根据各使用用户的标准预测结果确定训练后的线索分发模型的AUC(Area Under Curve,ROC曲线下的面积)评价数值,其中,ROC(receiver operatingcharacteristic curve)曲线全称为受试者工作特征曲线。将AUC评价数值与关键类别比例之和作为真实评价数值。
预设阈值用于判断训练后的线索分发模型是否满足训练完成条件。具体的,对比真实评价数值和预设阈值,如果真实评价数值大于预设阈值,说明训练后的线索分发模型满足训练完成条件,如果真实评价数值小于或等于预设阈值,说明训练后的线索分发模型未满足训练完成条件。
可选的,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:根据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性能指标数值;对所述关键类别比例和所述性能指标数值进行加权求和,得到所述训练后的线索分发模型的真实评价数值。
性能指标数值用于描述训练后的线索分发模型的真实性,可以理解的是,性能指标数值越大表明通过训练后的线索分发模型确定的使用用户对资源的感兴趣概率与根据标准预测结果确定的感性趣概率之间的差距越小,训练后的线索分发模型的真实性越大,训练后的线索分发模型的输出结果越准确。在本发明中,性能指标数值可以是AUC评价数值。
具体的,可以根据现有技术中AUC的计算公式,将各使用用户的标准预测结果输入至AUC的计算公式中,计算结果为性能指标数值。根据实际情况为关键类别比例和性能指标数值分别设置权重,对关键类别比例和性能指标数值进行加权求和,计算结果为线索分发模型的真实评价数值。示例性的,真实评价数值=β*关键类别比例+γ*性能指标数值,其中,β为关联类别比例的权重,γ为性能指标数值的权重。
通过对关键类别比例和性能指标数值进行加权求和,得到真实评价数值,能够提高真实评价数值对属于关键类别的使用用户的关注度,使训练后的线索分类模型能够对使用用户进行针对性的分析,能够在具有需要重点关注的用户的场景下,提高模型训练结果的准确性。
验证结果用于确定训练后的数据分发模型根据验证数据集合得到的使用用户对资源的感兴趣概率的准确性,也就是确定训练后的线索分发模型的准确性。
具体的,将验证数据集合输入至训练后的线索分发模型中,得到训练后的线索分发模型输出的多个使用用户的第二概率。根据训练后的线索分发模型输出的多个使用用户的第二概率,在多个使用用户中筛选出关键用户。根据各关键用户对应的标准预测结果,对各关键用户进行分类,并计算关键类别比例。根据各使用用户的标准预测结果,计算训练后的线索分发模型的性能指标数值;对关键类别比例和性能指标数值进行加权求和,得到所述训练后的线索分发模型的真实评价数值,作为验证结果。验证结果大于预设阈值时,确定验证结果满足训练完成条件。验证结果小于或等于预设阈值时,确定验证结果未满足训练完成条件。
S380、在所述验证结果满足训练完成条件的情况下,将所述训练后的线索分发模型作为目标线索分发模型。
具体的,验证结果满足训练完成条件,表明线索分发模型训练完成,目标线索分发模型就是训练后的线索分发模型。验证结果不满足训练完成条件,表明线索分发模型未训练完成,可以利用训练数据集合对线索分发模型继续进行训练,也可以调整训练数据集合中的使用用户的样本权重,实现训练数据集合的更新,将更新后的训练数据集合输入至线索分发模型中,对线索分发模型进行训练,得到训练后的线索分发模型,并返回执行步骤S370。
本发明实施例的技术方案,根据样本数据的采集时间将样本数据划分为训练数据集合和验证数据集合,通过训练数据集合对线索分发模型进行训练,通过验证集合对训练后的线索分发模型进行验证,通过两次训练完成条件的判断,在两次判断全部为满足训练完成的情况下确定目标线索分发模型,提高了模型训练的准确性。
实施例四
图4为本发明实施例四提供的一种线索分发模型训练装置的结构示意图。如图4所示,该装置包括:数据获取模块401、权重获取模块402、样本数据确定模块403、标准结果获取模块404和训练模块405。
其中,数据获取模块401,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;
权重获取模块402,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;
样本数据确定模块403,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;
标准结果获取模块404,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;
训练模块405,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。
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。
可选的,权重获取模块402具体用于:
根据所述线索数据中的资源获取时间和当前时间的差值,确定所述使用用户的样本权重。
可选的,数据获取模块401包括:
第一数据划分单元,用于根据所述线索数据的采集时间,将多个使用用户分别提供的线索数据划分为测试数据和参考数据;
相似概率获取单元,用于将所述测试数据和所述参考数据输入至二分类模型中,对所述参考数据和所述测试数据之间的相似程度进行预测,得到所述测试数据对应的相似概率;
数据获取单元,用于在所述相似概率大于概率阈值时,将所述相似概率对应的测试数据和所述参考数据作为线索数据。
可选的,训练模块405包括:
第二数据划分单元,用于根据所述样本数据的采集时间,对所述各使用用户提供的样本数据和对应的标准预测结果进行划分,得到训练数据集合和验证数据集合;
训练单元,用于将所述训练数据集合输入至所述线索分发模型中,对所述线索分发模型进行训练,得到训练后的线索分发模型;
验证单元,用于在确定训练后的线索分发模型满足训练完成条件的情况下,将所述验证数据集合输入至所述训练后的线索分发模型中,对所述训练后的线索分发模型进行验证,得到验证结果;
目标模型获取单元,用于在所述验证结果满足训练完成条件的情况下,将所述训练后的线索分发模型作为目标线索分发模型。
可选的,验证单元包括:
关键用户获取子单元,用于根据所述训练后的线索分发模型输出的多个使用用户的第一概率,在多个使用用户中筛选出关键用户;
类别比例确定子单元,用于根据各所述关键用户对应的标准预测结果,对各所述关键用户进行分类,并计算关键类别比例;
评价数值确定子单元,用于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;
条件判断子单元,用于所述真实评价数值大于预设阈值时,确定训练后的线索分发模型满足训练完成条件。
可选的,评价数值确定子单元具体用于:
根据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性能指标数值;
对所述关键类别比例和所述性能指标数值进行加权求和,得到所述训练后的线索分发模型的真实评价数值。
可选的,该装置还包括:
目标数据获取模块,用于获取所述使用目标应用的使用用户提供的目标线索数据;
目标分数获取模块,用于将所述目标线索数据输入至所述目标线索分发模型中,得到目标线索分数;
资源信息发送模块,用于根据所述目标线索分数确定所述目标线索数据的分类结果,向所述目标线索数据对应的客户端发送资源信息。
本发明实施例所提供的线索分发模型训练装置可执行本发明任意实施例所提供的线索分发模型训练方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如线索分发模型训练方法。
在一些实施例中,线索分发模型训练方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的线索分发模型训练方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行线索分发模型训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。

Claims (10)

1.一种线索分发模型训练方法,其特征在于,包括:
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;
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;
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;
获取各所述使用用户的样本数据对应的标准预测结果;
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。
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:
根据所述线索数据中的资源获取时间和当前时间的差值,确定所述使用用户的样本权重。
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:
根据所述线索数据的采集时间,将多个使用用户分别提供的线索数据划分为测试数据和参考数据;
将所述测试数据和所述参考数据输入至二分类模型中,对所述参考数据和所述测试数据之间的相似程度进行预测,得到所述测试数据对应的相似概率;
在所述相似概率大于概率阈值时,将所述相似概率对应的测试数据和所述参考数据作为线索数据。
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:
根据所述样本数据的采集时间,对所述各使用用户提供的样本数据和对应的标准预测结果进行划分,得到训练数据集合和验证数据集合;
将所述训练数据集合输入至所述线索分发模型中,对所述线索分发模型进行训练,得到训练后的线索分发模型;
在确定训练后的线索分发模型满足训练完成条件的情况下,将所述验证数据集合输入至所述训练后的线索分发模型中,对所述训练后的线索分发模型进行验证,得到验证结果;
在所述验证结果满足训练完成条件的情况下,将所述训练后的线索分发模型作为目标线索分发模型。
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:
根据所述训练后的线索分发模型输出的多个使用用户的第一概率,在多个使用用户中筛选出关键用户;
根据各所述关键用户对应的标准预测结果,对各所述关键用户进行分类,并计算关键类别比例;
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;
所述真实评价数值大于预设阈值时,确定训练后的线索分发模型满足训练完成条件。
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:
根据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性能指标数值;
对所述关键类别比例和所述性能指标数值进行加权求和,得到所述训练后的线索分发模型的真实评价数值。
7.根据权利要求1所述的方法,其特征在于,还包括:
获取所述使用目标应用的使用用户提供的目标线索数据;
将所述目标线索数据输入至所述目标线索分发模型中,得到目标线索分数;
根据所述目标线索分数确定所述目标线索数据的分类结果,向所述目标线索数据对应的客户端发送资源信息。
8.一种线索分发模型训练装置,其特征在于,包括:
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;
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;
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;
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;
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。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
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权利要求1-7中任一项所述的线索分发模型训练方法。
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。
CN202310845182.1A 2023-07-11 2023-07-11 一种线索分发模型训练方法、装置、设备和介质 Pending CN116975632A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310845182.1A CN116975632A (zh) 2023-07-11 2023-07-11 一种线索分发模型训练方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310845182.1A CN116975632A (zh) 2023-07-11 2023-07-11 一种线索分发模型训练方法、装置、设备和介质

Publications (1)

Publication Number Publication Date
CN116975632A true CN116975632A (zh) 2023-10-31

Family

ID=88476046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310845182.1A Pending CN116975632A (zh) 2023-07-11 2023-07-11 一种线索分发模型训练方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN116975632A (zh)

Similar Documents

Publication Publication Date Title
CN111460384B (zh) 策略的评估方法、装置和设备
CN111144941A (zh) 商户评分的生成方法、装置、设备及可读存储介质
CN112907128A (zh) 基于ab测试结果的数据分析方法、装置、设备及介质
CN112560461A (zh) 新闻线索的生成方法、装置、电子设备及存储介质
CN117994021A (zh) 一种资产核销方式的辅助配置方法、装置、设备及介质
CN113850669A (zh) 用户分群方法、装置、计算机设备及计算机可读存储介质
CN113657538A (zh) 模型训练、数据分类方法、装置、设备、存储介质及产品
CN116962272A (zh) 一种网络指标的异常检测方法、装置、设备及存储介质
CN116228301A (zh) 一种目标用户的确定方法、装置、设备及介质
CN115909166A (zh) 一种视频评估方法、装置、电子设备和存储介质
CN115630708A (zh) 一种模型更新方法、装置、电子设备、存储介质及产品
CN115481694A (zh) 一种训练样本集的数据增强方法、装置、设备及存储介质
CN116975632A (zh) 一种线索分发模型训练方法、装置、设备和介质
CN112818221B (zh) 实体的热度确定方法、装置、电子设备及存储介质
CN115359322A (zh) 一种目标检测模型训练方法、装置、设备和存储介质
CN108629506A (zh) 风控模型的建模方法、装置、计算机设备和存储介质
CN114417886A (zh) 热点数据的处理方法、装置、电子设备及存储介质
CN112632364A (zh) 新闻传播速度测评方法和系统
CN113052509A (zh) 模型评估方法、模型评估装置、电子设备和存储介质
CN114547417B (zh) 一种媒体资源排序方法及电子设备
CN117574146B (zh) 文本分类标注方法、装置、电子设备和存储介质
CN117541366B (zh) 一种中标概率的预测方法、装置、电子设备及存储介质
CN114547448B (zh) 数据处理、模型训练方法、装置、设备、存储介质及程序
CN113011922B (zh) 相似人群的确定方法、装置、电子设备和存储介质
CN117131197B (zh) 一种招标书的需求类别处理方法、装置、设备及存储介质

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