CN117455267A - 业务推广策略的确定方法、装置、存储介质以及电子设备 - Google Patents
业务推广策略的确定方法、装置、存储介质以及电子设备 Download PDFInfo
- Publication number
- CN117455267A CN117455267A CN202311640761.9A CN202311640761A CN117455267A CN 117455267 A CN117455267 A CN 117455267A CN 202311640761 A CN202311640761 A CN 202311640761A CN 117455267 A CN117455267 A CN 117455267A
- Authority
- CN
- China
- Prior art keywords
- initial value
- initial
- target
- determining
- promoted
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 88
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000000739 chaotic effect Effects 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 241000272168 Laridae Species 0.000 claims description 3
- 229910052984 zinc sulfide Inorganic materials 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 24
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 241000272161 Charadriiformes Species 0.000 description 2
- 241000254158 Lampyridae Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002431 foraging effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种业务推广策略的确定方法、装置、存储介质以及电子设备。涉及人工智能领域。该方法包括:确定与待推广业务相关的文本,得到待推广文本,并获取待推广文本在当前推广策略下的多个推广数据,将每个推广数据作为待推广文本的特征信息,得到待推广文本的特征信息集合;将特征信息集合输入目标预测模型中,得到预测结果,其中,目标预测模型通过样本数据对初始神经网络模型进行训练得到,初始神经网络模型中的初始模型参数通过乌燕鸥算法确定,预测结果中包括待推广文本的影响力指数;根据影响力指数确定待推广文本的推广策略。通过本申请,解决了相关技术中确定业务推广效果的准确率低,导致进一步确定推广策略的准确率低的问题。
Description
技术领域
本申请涉及人工智能领域,具体而言,涉及一种业务推广策略的确定方法、装置、存储介质以及电子设备。
背景技术
随着互联网的高速发展,随之产生大量金融科技网络新闻和消息,因此,在进行业务推广的时候,可以根据网络新闻的传播情况以及热度,通过网络新闻辅助进行业务推广和宣传。
当前在确定推广效果的时候,通常只确定每个平台的推广数据,并将推广数据进行简单计算确定推广效果,但是,由于当前互联网中的平台和信息传播渠道过多,并且不同渠道的推广效果不同,因此无法准确获取当前业务的推广效果,进而无法根据当前业务推广的推广效果确定下一步的业务推广策略,进而对金融机构造成业务方面或经济方面的损失,例如,在推广效果较好的情况下仍进行进一步推广,则会造成资金浪费,在推广效果不好的情况下不进行推广,则会造成业务无法正常实施。
针对相关技术中确定业务推广效果的准确率低,导致进一步确定推广策略的准确率低的问题,目前尚未提出有效的解决方案。
发明内容
本申请提供一种业务推广策略的确定方法、装置、存储介质以及电子设备,以解决相关技术中确定业务推广效果的准确率低,导致进一步确定推广策略的准确率低的问题。
根据本申请的一个方面,提供了一种业务推广策略的确定方法。该方法包括:获取待推广业务,确定与待推广业务相关的文本,得到待推广文本,并获取待推广文本在当前推广策略下的多个推广数据,将每个推广数据作为待推广文本的特征信息,得到待推广文本的特征信息集合;将特征信息集合输入目标预测模型中,得到预测结果,其中,目标预测模型通过样本数据对初始神经网络模型进行训练得到,初始神经网络模型中的初始模型参数通过乌燕鸥算法确定,样本数据由多个历史特征信息集合以及每个历史特征信息集合所属的历史文本的影响力指数构成,预测结果中包括待推广文本的影响力指数;根据影响力指数确定待推广文本的推广策略。
可选地,初始神经网络模型中的初始模型参数通过乌燕鸥算法确定包括:设置乌燕鸥算法的初始参数,其中,初始参数包括:迭代次数N、种群中目标个体数量M,其中,M、N为正整数;通过混沌映射算法生成每个目标个体的初始值,得到M个初始值集合,其中,初始值用于确定初始模型参数,每个初始值集合中包含的初始值的个数与初始神经网络模型中需要设置的初始模型参数的个数相同;判断是否存在目标初始值集合,并在存在目标初始值集合的情况下,通过目标初始值集合和初始参数对M个初始值集合进行更新,得到M个更新后初始值集合,其中,目标初始值集合为上一次迭代计算得到的M个初始值集合中的准确率最高的初始值集合;通过M个更新后初始值集合确定下一次迭代计算的目标初始值集合,并将当前迭代次数加1,判断当前迭代次数是否等于N;在当前迭代次数不等于N的情况下,重复执行通过混沌映射算法生成每个目标个体的初始值,得到M个初始值集合的步骤,直至当前迭代次数等于N;在当前迭代次数等于N的情况下,将最后一次确定的目标初始值集合确定为初始模型参数。
可选地,在判断是否存在目标初始值集合之后,该方法还包括:在不存在目标初始值集合的情况下,依次将每个初始值集合作为参数输入预设神经网络模型中,得到M个第一神经网络模型,并依次使用每个第一神经网络模型对训练集进行预测,得到M组第一预测结果;计算每组第一预测结果中的每个预测结果与真实结果之间的误差值,得到多个误差值,并计算多个误差值的均方误差平均值,得到每组第一预测结果的第一误差值;获取M个第一误差值中的最大第一误差值,将最大第一误差值对应的初始值集合确定为目标初始值集合,并执行通过目标初始值集合和初始参数对M个初始值集合进行更新,得到M个更新后初始值集合的步骤。
可选地,通过目标初始值集合和初始参数对M个初始值集合进行更新,得到M个更新后初始值集合包括:根据当前迭代次数和第一预设参数对每个初始值集合中的初始值进行更新,得到M个第一初始值集合;根据目标初始值集合和第二预设参数对每个第一初始值集合中的初始值进行更新,得到M个第二初始值集合;设置移动半径和随机角度,并根据移动半径、随机角度和目标初始值集合对每个第二初始值集合中的初始值进行更新,得到M个第三初始值集合;在M个第三初始值集合中为每个第三初始值集合选取关联集合,并通过每个第三初始值集合与关联集合对初始值集合进行更新,得到M个更新后初始值集合。
可选地,乌燕鸥算法的初始参数中还包括模型参数范围,在得到M个更新后初始值集合之后,该方法还包括:判断是否存在初始值位于模型参数范围之外的更新后初始值集合;在存在初始值位于模型参数范围之外的目标更新后初始值集合的情况下,变更目标更新后初始值集合中的初始值,直至位于模型参数范围之外的初始值位于模型参数范围的边界处。
可选地,通过M个更新后初始值集合确定下一次迭代计算的目标初始值集合包括:依次将每个更新后初始值集合作为参数输入预设神经网络模型中,得到M个第二神经网络模型,并依次使用每个第二神经网络模型对训练集进行预测,得到M组第二预测结果;计算每组第二预测结果中的每个预测结果与真实结果之间的误差值,得到多个误差值,并计算多个误差值的均方误差平均值,得到每组第二预测结果的第二误差值;获取M个第二误差值中的最大第二误差值,并获取目标初始值集合的目标误差值,判断目标误差值是否大于最大第二误差值;在目标误差值大于最大第二误差值的情况下,将最大第二误差值确定为更新后的目标误差值,并将最大第二误差值对应的更新后初始值确定为下一次迭代计算的目标初始值集合;在目标误差值小于等于最大第二误差值的情况下,保持目标初始值集合不变。
可选地,根据影响力指数确定待推广文本的推广策略包括:在影响力指数大于预设值的情况下,保持当前推广策略不变;在影响力指数小于等于预设值的情况下,将待推广文本的推广策略确定为增加推广渠道或推广资金。
根据本申请的另一方面,提供了一种业务推广策略的确定装置。该装置包括:获取单元,用于获取待推广业务,确定与待推广业务相关的文本,得到待推广文本,并获取待推广文本在当前推广策略下的多个推广数据,将每个推广数据作为待推广文本的特征信息,得到待推广文本的特征信息集合;预测单元,用于将特征信息集合输入目标预测模型中,得到预测结果,其中,目标预测模型通过样本数据对初始神经网络模型进行训练得到,初始神经网络模型中的初始模型参数通过乌燕鸥算法确定,样本数据由多个历史特征信息集合以及每个历史特征信息集合所属的历史文本的影响力指数构成,预测结果中包括待推广文本的影响力指数;确定单元,用于根据影响力指数确定待推广文本的推广策略。
根据本发明的另一方面,还提供了一种计算机存储介质,计算机存储介质用于存储程序,其中,程序运行时控制计算机存储介质所在的设备执行一种业务推广策略的确定方法。
根据本发明的另一方面,还提供了一种电子设备,包含一个或多个处理器和存储器;存储器中存储有计算机可读指令,处理器用于运行计算机可读指令,其中,计算机可读指令运行时执行一种业务推广策略的确定方法。
通过本申请,采用以下步骤:获取待推广业务,确定与待推广业务相关的文本,得到待推广文本,并获取待推广文本在当前推广策略下的多个推广数据,将每个推广数据作为待推广文本的特征信息,得到待推广文本的特征信息集合;将特征信息集合输入目标预测模型中,得到预测结果,其中,目标预测模型通过样本数据对初始神经网络模型进行训练得到,初始神经网络模型中的初始模型参数通过乌燕鸥算法确定,样本数据由多个历史特征信息集合以及每个历史特征信息集合所属的历史文本的影响力指数构成,预测结果中包括待推广文本的影响力指数;根据影响力指数确定待推广文本的推广策略。解决了相关技术中确定业务推广效果的准确率低,导致进一步确定推广策略的准确率低的问题。通过确定待推广文本当前推广策略下每个推广平台的推广数据,并将推广数据作为特征信息输入预测模型中,从而根据预测模型确定待推广文本的影响力值数据,并根据影响力指数确定是否还需要进一步进行推广,进而达到了准确确定待推广文本的推广策略的效果,同时采用乌燕鸥算法确定初始神经网络模型中的初始模型参数,从而在对初始神经网络模型进行训练的时候,能够提高模型训练效率以及模型的准确度,进而达到了提高推广策略的准确性的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的业务推广策略的确定方法的流程图;
图2是根据本申请实施例提供的初始模型参数的确定方法的流程图;
图3是根据本申请实施例提供的业务推广策略的确定装置的示意图;
图4是根据本申请实施例提供的一种电子设备的示意图。
具体实施方式
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。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请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,以便这里描述的本申请的实施例。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。
需要说明的是,本公开所确定的业务推广策略的确定方法、装置、存储介质以及电子设备可用于人工智能领域,也可用于除人工智能领域之外的任意领域,本公开所确定的业务推广策略的确定方法、装置、存储介质以及电子设备的应用领域不做限定。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关规定和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。例如,本系统和相关用户或机构间设置有接口,在获取相关信息之前,需要通过接口向前述的用户或机构发送获取请求,并在接收到前述的用户或机构反馈的同意信息后,获取相关信息。
为了便于描述,以下对本申请实施例涉及的部分名词或术语进行说明:
乌燕鸥优化算法(Wu-Yang Seagull Optimization Algorithm,WSA),是一种新兴的启发式优化算法,灵感来源于乌燕鸥在觅食时的行为。该算法模拟了乌燕鸥在海上觅食时的搜索和捕食行为,通过模拟群体中乌燕鸥的协作和竞争,寻找最优解。WSA算法具有较高的搜索效率和全局收敛性,适用于解决各种优化问题,尤其是复杂的多目标优化问题和约束优化问题。
1D卷积神经网络,是一种用于处理一维数据(如时间序列数据或文本数据)的深度学习模型。它使用卷积层来提取输入数据中的特征,并通过池化层和全连接层来进行特征提取和分类。1D表示一维的数据输入。在1D卷积神经网络中,输入数据是一维的。
根据本申请的实施例,提供了一种业务推广策略的确定方法。
图1是根据本申请实施例提供的业务推广策略的确定方法的流程图。如图1所示,该方法包括以下步骤:
步骤S101,获取待推广业务,确定与待推广业务相关的文本,得到待推广文本,并获取待推广文本在当前推广策略下的多个推广数据,将每个推广数据作为待推广文本的特征信息,得到待推广文本的特征信息集合。
具体的,待推广业务可以为金融机构中的业务,例如贷款办理,存款办理,或是公益广告之类的推广业务,为了对待推广业务进行推广,可以生成与待推广业务相关的待推广文本,例如根据待推广业务生成的新闻、故事、公众号等推广文本。
进一步的,在将待推广文本进行推广后,可以得到多个第三方推广的推广数据,并将多个推广数据添加至集合中,得到特征信息集合。例如,将某推广文章在平台A和平台B投放推广,平台A的日均阅读量为100次,平台B的日均阅读量为1000次,则特征信息集合中可以包括:平台A日均阅读量:100、平台B日均阅读量:1000。
步骤S102,将特征信息集合输入目标预测模型中,得到预测结果,其中,目标预测模型通过样本数据对初始神经网络模型进行训练得到,初始神经网络模型中的初始模型参数通过乌燕鸥算法确定,样本数据由多个历史特征信息集合以及每个历史特征信息集合所属的历史文本的影响力指数构成,预测结果中包括待推广文本的影响力指数。
具体的,特征信息集合可以通过如下方式进行表示:X={x1,x2,x3,…,x10},其中,X1-X10可以为待推广文件在推广后的10个推广数据。在得到特征信息集合之后,可以将特征信息集合输入目标预测模型中,通过目标预测模型根据特征信息集合对待推广文件的影响力指数进行预测,从而得到准确的影响力指数预测结果。
需要说明的是,在对目标预测模型进行训练的时候,可以使用多个历史文本在进行推广后的历史特征信息集合以及每个历史文本的影响力指数作为样本数据对初始神经网络模型进行训练,从而得到目标预测模型。
需要说明的是,在获取初始神经网络模型的时候,需要先为初始神经网络模型赋参数值,也即初始模型参数,在确定初始模型参数的时候,可以通过乌燕鸥算法确定初始模型参数,从而提高初始模型参数的准确性,并且保持初始模型参数处于较为准确的水平,使得后续对初始神经网络模型进行训练的时候,可以提高模型训练的效率,并提升训练后的模型的预测准确度,其中,初始神经网络可以为1D卷积神经网络。
步骤S103,根据影响力指数确定待推广文本的推广策略。
具体的,在得到影响力指数的情况下,可以根据影响力指数的大小确定推广策略,例如,影响力指数较大,则推广策略为保持当前推广策略,不进行额外推广,在影响力指数较小的情况下,确定推广策略为进一步加大推广力度,保证业务能够达到预期推广效果。
本申请实施例提供的业务推广策略的确定方法,通过获取待推广业务,确定与待推广业务相关的文本,得到待推广文本,并获取待推广文本在当前推广策略下的多个推广数据,将每个推广数据作为待推广文本的特征信息,得到待推广文本的特征信息集合;将特征信息集合输入目标预测模型中,得到预测结果,其中,目标预测模型通过样本数据对初始神经网络模型进行训练得到,初始神经网络模型中的初始模型参数通过乌燕鸥算法确定,样本数据由多个历史特征信息集合以及每个历史特征信息集合所属的历史文本的影响力指数构成,预测结果中包括待推广文本的影响力指数;根据影响力指数确定待推广文本的推广策略。解决了相关技术中确定业务推广效果的准确率低,导致进一步确定推广策略的准确率低的问题。通过确定待推广文本当前推广策略下每个推广平台的推广数据,并将推广数据作为特征信息输入预测模型中,从而根据预测模型确定待推广文本的影响力值数据,并根据影响力指数确定是否还需要进一步进行推广,进而达到了准确确定待推广文本的推广策略的效果,同时采用乌燕鸥算法确定初始神经网络模型中的初始模型参数,从而在对初始神经网络模型进行训练的时候,能够提高模型训练效率以及模型的准确度,进而达到了提高推广策略的准确性的效果。
可选地,图2是根据本申请实施例提供的初始模型参数的确定方法的流程图,如图2所示,在本申请实施例提供的业务推广策略的确定方法中,初始神经网络模型中的初始模型参数通过乌燕鸥算法确定包括:
步骤S201,设置乌燕鸥算法的初始参数,其中,初始参数包括:迭代次数N、种群中目标个体数量M,其中,M、N为正整数。
步骤S202,通过混沌映射算法生成每个目标个体的初始值,得到M个初始值集合,其中,初始值用于确定初始模型参数,每个初始值集合中包含的初始值的个数与初始神经网络模型中需要设置的初始模型参数的个数相同。
步骤S203,判断是否存在目标初始值集合,并在存在目标初始值集合的情况下,通过目标初始值集合和初始参数对M个初始值集合进行更新,得到M个更新后初始值集合,其中,目标初始值集合为上一次迭代计算得到的M个初始值集合中的准确率最高的初始值集合。
步骤S204,通过M个更新后初始值集合确定下一次迭代计算的目标初始值集合,并将当前迭代次数加1,判断当前迭代次数是否等于N。
步骤S205,在当前迭代次数不等于N的情况下,重复执行通过混沌映射算法生成每个目标个体的初始值,得到M个初始值集合的步骤,直至当前迭代次数等于N。
步骤S206,在当前迭代次数等于N的情况下,将最后一次确定的目标初始值集合确定为初始模型参数。
具体的,在确定初始神经网络模型中的初始模型参数的时候,首先需要初始化乌燕鸥算法的参数,包括:迭代次数maxgen,种群大小popsize(也即种群中目标个体的数量),参数优化边界cbound和gbound,可调整乌燕鸥参数Cf等。在初始化乌燕鸥算法的参数之后,可以通过混沌映射算法生成每个目标个体的初始值,得到M个初始值集合,从而保证每个目标个体对应的初始值的随机性,并根据每个目标个体的初始值对进行参数确定。
需要说明的是,在使用混沌映射算法生成初始值的时候,每个目标个体的初始值数量需要与初始神经网络模型中的初始模型参数的个数相同,从而保证在对初始值进行优化后,可以直接将初始值确定为初始神经网络模型中的初始模型参数。在使用混沌映射算法生成初始值的时候,可以利用公式Z(t)=bZ(t-1)(1-Z(t-2))产生混沌变量{Zt,t=1,2,…,n},n与初始模型参数的个数相同,从而确定一个目标个体的初始值集合,并使用相同的方法依次生成每个目标个体的初始值集合,得到M个初始值集合。
进一步的,需要对初始值集合中的初始值进行优化,从而提高初始神经网络模型的预测准确性。在对初始值进行优化的时候,需要确定是否存在目标初始值集合,只有存在目标初始值集合的情况下,才能使用目标初始值集合对M个初始值集合中的初始值进行优化。
在完成一次迭代之后,得到更新后的M个初始值集合,并在得到更新后的M个初始值集合之后,对目标初始值集合进行更新,并继续执行迭代计算操作,按照迭代次数执行N次迭代,并将第N次迭代后得到的目标初始值集合确定为初始神经网络模型中的初始模型参数,从而完成初始模型参数的优化操作。
其中,在执行步骤S203的时候,为了确定目标初始值集合,可选地,在本申请实施例提供的业务推广策略的确定方法中,在判断是否存在目标初始值集合之后,该方法还包括:在不存在目标初始值集合的情况下,依次将每个初始值集合作为参数输入预设神经网络模型中,得到M个第一神经网络模型,并依次使用每个第一神经网络模型对训练集进行预测,得到M组第一预测结果;计算每组第一预测结果中的每个预测结果与真实结果之间的误差值,得到多个误差值,并计算多个误差值的均方误差平均值,得到每组第一预测结果的第一误差值;获取M个第一误差值中的最大第一误差值,将最大第一误差值对应的初始值集合确定为目标初始值集合,并执行通过目标初始值集合和初始参数对M个初始值集合进行更新,得到M个更新后初始值集合的步骤。
具体的,在不存在目标初始值集合的情况下,表征当前为迭代计算的首次计算,迭代计算的首次计算用于在M个初始值集合中确定目标初始值集合。首先,需要将每个初始值集合中的初始值作为预设神经网络模型的参数输入预设神经网络模型中,其中,预设神经网络模型为未确定初始模型参数的初始神经网络模型,在将每个初始值集合中的初始值作为预设神经网络模型的参数输入预设神经网络模型之后,得到M个第一神经网络模型,并依次使用每个第一神经网络模型对训练集进行预测,得到M组第一预测结果,其中,在使用每个第一神经网络模型对训练集进行预测的时候,可以将训练集中的每个历史文本的历史特征信息输入第一神经网络模型中,由第一神经网络模型得到预测结果,并将预测结果与真实的影响力指数进行对比,从而确定误差值,由于训练集中存在多个历史文本,因此每个第一神经网络模型在进行预测后,可以得到多个误差值,也即多个误差值集合,并计算每个误差值集合中的多个误差值的均方误差平均值,从而得到每个第一神经网络模型的误差结果。
进一步的,在得到每个第一神经网络模型的误差结果后,可以将误差结果最小的第一神经网络模型中的参数确定为目标初始值集合,此时,在得到目标初始值集合后,可以执行通过目标初始值集合和初始参数对M个初始值集合进行更新,得到M个更新后初始值集合的步骤,从而完成M个初始值集合的第一次优化。
在得到目标初始值集合的情况下,可以通过目标初始值集合和初始参数对M个初始值集合进行更新,得到M个更新后初始值集合。
为了准确的对每个初始值集合进行更新,可选地,在本申请实施例提供的业务推广策略的确定方法中,通过目标初始值集合和初始参数对M个初始值集合进行更新,得到M个更新后初始值集合包括:根据当前迭代次数和第一预设参数对每个初始值集合中的初始值进行更新,得到M个第一初始值集合;根据目标初始值集合和第二预设参数对每个第一初始值集合中的初始值进行更新,得到M个第二初始值集合;设置移动半径和随机角度,并根据移动半径、随机角度和目标初始值集合对每个第二初始值集合中的初始值进行更新,得到M个第三初始值集合;在M个第三初始值集合中为每个第三初始值集合选取关联集合,并通过每个第三初始值集合与关联集合对初始值集合进行更新,得到M个更新后初始值集合。
具体的,为了便于对计算过程进行解释,此处使用M个初始值集合中的任意一个,例如第Z个初始值集合作为示意进行计算,其他初始值集合的更新方法相同。
对于M个初始值集合中的第Z个初始值集合,根据当前迭代次数和第一预设参数对每个初始值集合中的初始值进行更新,得到M个第一初始值集合的步骤可通过公式1进行计算得到,其中,第一预设参数即为可调整乌燕鸥参数Cf:
Cst=SA×Pst(Z) (1)
其中,Cst为第一初始值集合,Pst(Z)为M个初始值集合中的第Z个初始值集合,SA为乌燕鸥在求解空间的运用方式,其公式为:SA=Cf-(H×(Cf/Miteration)),其中Cf为可调整乌燕鸥参数,H为当前迭代次数,Miteration为最大迭代次数N。
进一步的,根据目标初始值集合和第二预设参数对每个第一初始值集合中的初始值进行更新,得到M个第二初始值集合可通过公式2计算得到:
dst=cst+mst (2)
其中,dst为第二初始值集合,mst为移动信息,mst可由公式3计算得到:
mst=CB×(pbst(Z)-pst(Z)) (3)
其中,pst(Z)为M个初始值集合中的第Z个初始值集合,pbst(Z)为目标初始值集合,CB为第二预设参数,CB=0.5×Rrand,其中Rrand为位于[0.1]之间的随机数。
进一步的,设置移动半径和随机角度,并根据移动半径、随机角度和目标初始值集合对每个第二初始值集合中的初始值进行更新,得到M个第三初始值集合由公式4计算得到:
ps(Z)=(dst×(x’+y’+z’))×Pbst(Z) (4)
其中,ps(Z)为第三初始值集合,dst为第二初始值集合,Pbst(Z)为目标初始值集合,x′=R×sin(i),y′=R×cos(i),z′=R×i,其中,R=u×ekv,式中R为乌燕鸥飞行螺旋半径,也即移动半径,i为[0,2π]的随机角度,u,v为螺旋角度相关参数,k为预设常数,k取值在0-0.5之间。
进一步的,在M个第三初始值集合中为每个第三初始值集合选取关联集合,并通过每个第三初始值集合与关联集合对初始值集合进行更新,得到M个更新后初始值集合可以由公式5计算得到:
pfin(Z)=ps(Z)+β×(ps(Z1)-ps(Z))+α×(rand-1/2) (5)
其中,pfin(Z)为更新后初始值集合,ps(Z1)为M个第三初始值集合中除了第Z个第三初始值集合之外的任意一个第三初始值集合,α为[0,1]的步长因子,rand为[0,1]上服从均匀分布的随机数,β为萤火虫吸引度,其中,式中β0为最大吸引度,γ为光强吸收系数,ri,j为ps(Z)与ps(Z1)之间的空间距离。
为了保证得到的更新后初始值的准确性,可选地,在本申请实施例提供的业务推广策略的确定方法中,乌燕鸥算法的初始参数中还包括模型参数范围,在得到M个更新后初始值集合之后,该方法还包括:判断是否存在初始值位于模型参数范围之外的更新后初始值集合;在存在初始值位于模型参数范围之外的目标更新后初始值集合的情况下,变更目标更新后初始值集合中的初始值,直至位于模型参数范围之外的初始值位于模型参数范围的边界处。
具体的,在对初始值进行更新的时候,更新后的初始值集合中可能出现部分初始值未位于参数优化边界cbound和gbound之间,也即更新后的初始值位于模型参数范围之外,此时,需要将位于模型参数范围之外,也即参数优化边界cbound和gbound之外的初始值集合中的初始值进行变更,变更至参数优化边界上,例如,初始值集合中的初始值为:10,20,20,30,参数优化边界为25,则需要将初始值集合中的初始值变更为10,20,20,25。
可选地,在本申请实施例提供的业务推广策略的确定方法中,通过M个更新后初始值集合确定下一次迭代计算的目标初始值集合包括:依次将每个更新后初始值集合作为参数输入预设神经网络模型中,得到M个第二神经网络模型,并依次使用每个第二神经网络模型对训练集进行预测,得到M组第二预测结果;计算每组第二预测结果中的每个预测结果与真实结果之间的误差值,得到多个误差值,并计算多个误差值的均方误差平均值,得到每组第二预测结果的第二误差值;获取M个第二误差值中的最大第二误差值,并获取目标初始值集合的目标误差值,判断目标误差值是否大于最大第二误差值;在目标误差值大于最大第二误差值的情况下,将最大第二误差值确定为更新后的目标误差值,并将最大第二误差值对应的更新后初始值确定为下一次迭代计算的目标初始值集合;在目标误差值小于等于最大第二误差值的情况下,保持目标初始值集合不变。
具体的,在得到M个更新后初始值集合之后,需要进行下一次迭代计算,但是,在进行下一次迭代计算之前,需要对目标初始值集合进行更新,在进行更新的时候,同样的,首先依次将每个更新后初始值集合中的初始值作为预设神经网络模型的参数输入预设神经网络模型中,在将每个更新后初始值集合中的初始值作为预设神经网络模型的参数输入预设神经网络模型之后,得到M个第二神经网络模型,并依次使用每个第二神经网络模型对训练集进行预测,得到M组第二预测结果,其中,在使用每个第二神经网络模型对训练集进行预测的时候,可以将训练集中的每个历史文本的历史特征信息输入第二神经网络模型中,由第二神经网络模型得到预测结果,并将预测结果与真实的影响力指数进行对比,从而确定误差值,由于训练集中存在多个历史文本,因此每个第二神经网络模型在进行预测后,可以得到多个误差值,也即多个误差值集合,并计算每个误差值集合中的多个误差值的均方误差平均值,从而得到每个第二神经网络模型的误差结果。
进一步的,在得到M个误差结果后,从M个误差结果中获取最大误差结果,得到最大第二误差值,并将最大第二误差值与目标初始值集合在进行预测时得到的误差结果进行对比,例如,第二次迭代后选取的目标初始值集合的误差结果为25%,第三次迭代计算后的最大第二误差值为24%,则表征第三次迭代计算后的最大第二误差值大于第二次迭代后选取的目标初始值集合,此时,将第三次迭代计算后的最大第二误差值对应的更新后初始值集合确定为最新版的目标初始值集合。
同样的,在最大第二误差值小于目标初始值集合的误差结果的情况下,保持目标初始值集合不变,并进行下一次迭代计算,从而在完成每次迭代计算后,确定下一次迭代计算时使用的目标初始值集合。
可选地,在本申请实施例提供的业务推广策略的确定方法中,根据影响力指数确定待推广文本的推广策略包括:在影响力指数大于预设值的情况下,保持当前推广策略不变;在影响力指数小于等于预设值的情况下,将待推广文本的推广策略确定为增加推广渠道或推广资金。
具体的,可以根据历史影响力指数与推广情况确定对影响力指数进行评价的预设值,在影响力指数大于预设值的情况下,表征当前推广效果较好,无需进一步推广,在影响力指数小于等于预设值的情况下,表征当前推广效果较差,需要进行进一步推广,此时,可以增加推广渠道或是推广资金的方式提高影响力指数,从而达到预计的推广效果。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种业务推广策略的确定装置,需要说明的是,本申请实施例的业务推广策略的确定装置可以用于执行本申请实施例所提供的用于业务推广策略的确定方法。以下对本申请实施例提供的业务推广策略的确定装置进行介绍。
图3是根据本申请实施例提供的业务推广策略的确定装置的示意图。如图3所示,该装置包括:获取单元31,预测单元32,确定单元33。
获取单元31,用于获取待推广业务,确定与待推广业务相关的文本,得到待推广文本,并获取待推广文本在当前推广策略下的多个推广数据,将每个推广数据作为待推广文本的特征信息,得到待推广文本的特征信息集合;
预测单元32,用于将特征信息集合输入目标预测模型中,得到预测结果,其中,目标预测模型通过样本数据对初始神经网络模型进行训练得到,初始神经网络模型中的初始模型参数通过乌燕鸥算法确定,样本数据由多个历史特征信息集合以及每个历史特征信息集合所属的历史文本的影响力指数构成,预测结果中包括待推广文本的影响力指数;
确定单元33,用于根据影响力指数确定待推广文本的推广策略。
本申请实施例提供的业务推广策略的确定装置,通过获取单元31,用于获取待推广业务,确定与待推广业务相关的文本,得到待推广文本,并获取待推广文本在当前推广策略下的多个推广数据,将每个推广数据作为待推广文本的特征信息,得到待推广文本的特征信息集合;预测单元32,用于将特征信息集合输入目标预测模型中,得到预测结果,其中,目标预测模型通过样本数据对初始神经网络模型进行训练得到,初始神经网络模型中的初始模型参数通过乌燕鸥算法确定,样本数据由多个历史特征信息集合以及每个历史特征信息集合所属的历史文本的影响力指数构成,预测结果中包括待推广文本的影响力指数;确定单元33,用于根据影响力指数确定待推广文本的推广策略。解决了相关技术中确定业务推广效果的准确率低,导致进一步确定推广策略的准确率低的问题。通过确定待推广文本当前推广策略下每个推广平台的推广数据,并将推广数据作为特征信息输入预测模型中,从而根据预测模型确定待推广文本的影响力值数据,并根据影响力指数确定是否还需要进一步进行推广,进而达到了准确确定待推广文本的推广策略的效果,同时采用乌燕鸥算法确定初始神经网络模型中的初始模型参数,从而在对初始神经网络模型进行训练的时候,能够提高模型训练效率以及模型的准确度,进而达到了提高推广策略的准确性的效果。
可选地,在本申请实施例提供的业务推广策略的确定装置中,预测单元32包括:设置模块,用于设置乌燕鸥算法的初始参数,其中,初始参数包括:迭代次数N、种群中目标个体数量M,其中,M、N为正整数;生成模块,用于通过混沌映射算法生成每个目标个体的初始值,得到M个初始值集合,其中,初始值用于确定初始模型参数,每个初始值集合中包含的初始值的个数与初始神经网络模型中需要设置的初始模型参数的个数相同;判断模块,用于判断是否存在目标初始值集合,并在存在目标初始值集合的情况下,通过目标初始值集合和初始参数对M个初始值集合进行更新,得到M个更新后初始值集合,其中,目标初始值集合为上一次迭代计算得到的M个初始值集合中的准确率最高的初始值集合;第一确定模块,用于通过M个更新后初始值集合确定下一次迭代计算的目标初始值集合,并将当前迭代次数加1,判断当前迭代次数是否等于N;执行模块,用于在当前迭代次数不等于N的情况下,重复执行通过混沌映射算法生成每个目标个体的初始值,得到M个初始值集合的步骤,直至当前迭代次数等于N;第二确定模块,用于在当前迭代次数等于N的情况下,将最后一次确定的目标初始值集合确定为初始模型参数。
可选地,在本申请实施例提供的业务推广策略的确定装置中,该装置还包括:训练单元,用于在不存在目标初始值集合的情况下,依次将每个初始值集合作为参数输入预设神经网络模型中,得到M个第一神经网络模型,并依次使用每个第一神经网络模型对训练集进行预测,得到M组第一预测结果;计算单元,用于计算每组第一预测结果中的每个预测结果与真实结果之间的误差值,得到多个误差值,并计算多个误差值的均方误差平均值,得到每组第一预测结果的第一误差值;执行单元,用于获取M个第一误差值中的最大第一误差值,将最大第一误差值对应的初始值集合确定为目标初始值集合,并执行通过目标初始值集合和初始参数对M个初始值集合进行更新,得到M个更新后初始值集合的步骤。
可选地,在本申请实施例提供的业务推广策略的确定装置中,执行单元包括:第一更新模块,用于根据当前迭代次数和第一预设参数对每个初始值集合中的初始值进行更新,得到M个第一初始值集合;第二更新模块,用于根据目标初始值集合和第二预设参数对每个第一初始值集合中的初始值进行更新,得到M个第二初始值集合;第三更新模块,用于设置移动半径和随机角度,并根据移动半径、随机角度和目标初始值集合对每个第二初始值集合中的初始值进行更新,得到M个第三初始值集合;第四更新模块,用于在M个第三初始值集合中为每个第三初始值集合选取关联集合,并通过每个第三初始值集合与关联集合对初始值集合进行更新,得到M个更新后初始值集合。
可选地,在本申请实施例提供的业务推广策略的确定装置中,乌燕鸥算法的初始参数中还包括模型参数范围,在得到M个更新后初始值集合之后,该装置还包括:判断单元,用于判断是否存在初始值位于模型参数范围之外的更新后初始值集合;变更单元,用于在存在初始值位于模型参数范围之外的目标更新后初始值集合的情况下,变更目标更新后初始值集合中的初始值,直至位于模型参数范围之外的初始值位于模型参数范围的边界处。
可选地,在本申请实施例提供的业务推广策略的确定装置中,第一确定模块包括:输入子模块,用于依次将每个更新后初始值集合作为参数输入预设神经网络模型中,得到M个第二神经网络模型,并依次使用每个第二神经网络模型对训练集进行预测,得到M组第二预测结果;计算子模块,用于计算每组第二预测结果中的每个预测结果与真实结果之间的误差值,得到多个误差值,并计算多个误差值的均方误差平均值,得到每组第二预测结果的第二误差值;判断子模块,用于获取M个第二误差值中的最大第二误差值,并获取目标初始值集合的目标误差值,判断目标误差值是否大于最大第二误差值;确定子模块,用于在目标误差值大于最大第二误差值的情况下,将最大第二误差值确定为更新后的目标误差值,并将最大第二误差值对应的更新后初始值确定为下一次迭代计算的目标初始值集合;保持子模块,用于在目标误差值小于等于最大第二误差值的情况下,保持目标初始值集合不变。
可选地,在本申请实施例提供的业务推广策略的确定装置中,确定单元33包括:保持模块,用于在影响力指数大于预设值的情况下,保持当前推广策略不变;第三确定模块,用于在影响力指数小于等于预设值的情况下,将待推广文本的推广策略确定为增加推广渠道或推广资金。
上述业务推广策略的确定装置包括处理器和存储器,上述获取单元31,预测单元32,确定单元33等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来解决了相关技术中确定业务推广效果的准确率低,导致进一步确定推广策略的准确率低的问题。。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现所述业务推广策略的确定方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述业务推广策略的确定方法。
图4是根据本申请实施例提供的一种电子设备的示意图,如图4所示,本发明实施例提供了一种电子设备,电子设备40包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现上述业务推广策略的确定方法的步骤。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有上述业务推广策略的确定方法的步骤的程序。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种业务推广策略的确定方法,其特征在于,包括:
获取待推广业务,确定与所述待推广业务相关的文本,得到待推广文本,并获取所述待推广文本在当前推广策略下的多个推广数据,将每个推广数据作为所述待推广文本的特征信息,得到所述待推广文本的特征信息集合;
将所述特征信息集合输入目标预测模型中,得到预测结果,其中,所述目标预测模型通过样本数据对初始神经网络模型进行训练得到,所述初始神经网络模型中的初始模型参数通过乌燕鸥算法确定,所述样本数据由多个历史特征信息集合以及每个历史特征信息集合所属的历史文本的影响力指数构成,所述预测结果中包括所述待推广文本的影响力指数;
根据所述影响力指数确定所述待推广文本的推广策略。
2.根据权利要求1所述的方法,其特征在于,所述初始神经网络模型中的初始模型参数通过乌燕鸥算法确定包括:
设置所述乌燕鸥算法的初始参数,其中,所述初始参数包括:迭代次数N、种群中目标个体数量M,其中,M、N为正整数;
通过混沌映射算法生成每个目标个体的初始值,得到M个初始值集合,其中,所述初始值用于确定所述初始模型参数,每个初始值集合中包含的初始值的个数与所述初始神经网络模型中需要设置的初始模型参数的个数相同;
判断是否存在目标初始值集合,并在存在所述目标初始值集合的情况下,通过所述目标初始值集合和所述初始参数对所述M个初始值集合进行更新,得到M个更新后初始值集合,其中,所述目标初始值集合为上一次迭代计算得到的M个初始值集合中的准确率最高的初始值集合;
通过所述M个更新后初始值集合确定下一次迭代计算的目标初始值集合,并将当前迭代次数加1,判断所述当前迭代次数是否等于N;
在所述当前迭代次数不等于N的情况下,重复执行所述通过混沌映射算法生成每个目标个体的初始值,得到M个初始值集合的步骤,直至所述当前迭代次数等于N;
在所述当前迭代次数等于N的情况下,将最后一次确定的目标初始值集合确定为所述初始模型参数。
3.根据权利要求2所述的方法,其特征在于,在判断是否存在目标初始值集合之后,所述方法还包括:
在不存在所述目标初始值集合的情况下,依次将每个初始值集合作为参数输入预设神经网络模型中,得到M个第一神经网络模型,并依次使用每个第一神经网络模型对训练集进行预测,得到M组第一预测结果;
计算每组第一预测结果中的每个预测结果与真实结果之间的误差值,得到多个误差值,并计算所述多个误差值的均方误差平均值,得到每组第一预测结果的第一误差值;
获取M个第一误差值中的最大第一误差值,将所述最大第一误差值对应的初始值集合确定为所述目标初始值集合,并执行所述通过所述目标初始值集合和所述初始参数对所述M个初始值集合进行更新,得到M个更新后初始值集合的步骤。
4.根据权利要求2所述的方法,其特征在于,通过所述目标初始值集合和所述初始参数对所述M个初始值集合进行更新,得到M个更新后初始值集合包括:
根据所述当前迭代次数和第一预设参数对每个初始值集合中的初始值进行更新,得到M个第一初始值集合;
根据所述目标初始值集合和第二预设参数对每个第一初始值集合中的初始值进行更新,得到M个第二初始值集合;
设置移动半径和随机角度,并根据所述移动半径、随机角度和所述目标初始值集合对每个第二初始值集合中的初始值进行更新,得到M个第三初始值集合;
在所述M个第三初始值集合中为每个第三初始值集合选取关联集合,并通过每个第三初始值集合与关联集合对初始值集合进行更新,得到所述M个更新后初始值集合。
5.根据权利要求4所述的方法,其特征在于,所述乌燕鸥算法的初始参数中还包括模型参数范围,在得到所述M个更新后初始值集合之后,所述方法还包括:
判断是否存在初始值位于所述模型参数范围之外的更新后初始值集合;
在存在初始值位于所述模型参数范围之外的目标更新后初始值集合的情况下,变更所述目标更新后初始值集合中的初始值,直至位于所述模型参数范围之外的初始值位于所述模型参数范围的边界处。
6.根据权利要求2所述的方法,其特征在于,通过所述M个更新后初始值集合确定下一次迭代计算的目标初始值集合包括:
依次将每个更新后初始值集合作为参数输入预设神经网络模型中,得到M个第二神经网络模型,并依次使用每个第二神经网络模型对训练集进行预测,得到M组第二预测结果;
计算每组第二预测结果中的每个预测结果与真实结果之间的误差值,得到多个误差值,并计算所述多个误差值的均方误差平均值,得到每组第二预测结果的第二误差值;
获取M个第二误差值中的最大第二误差值,并获取所述目标初始值集合的目标误差值,判断所述目标误差值是否大于所述最大第二误差值;
在所述目标误差值大于所述最大第二误差值的情况下,将所述最大第二误差值确定为更新后的目标误差值,并将所述最大第二误差值对应的更新后初始值确定为下一次迭代计算的目标初始值集合;
在所述目标误差值小于等于所述最大第二误差值的情况下,保持所述目标初始值集合不变。
7.根据权利要求1所述的方法,其特征在于,根据所述影响力指数确定所述待推广文本的推广策略包括:
在所述影响力指数大于预设值的情况下,保持所述当前推广策略不变;
在所述影响力指数小于等于预设值的情况下,将所述待推广文本的推广策略确定为增加推广渠道或推广资金。
8.一种业务推广策略的确定装置,其特征在于,包括:
获取单元,用于获取待推广业务,确定与所述待推广业务相关的文本,得到待推广文本,并获取所述待推广文本在当前推广策略下的多个推广数据,将每个推广数据作为所述待推广文本的特征信息,得到所述待推广文本的特征信息集合;
预测单元,用于将所述特征信息集合输入目标预测模型中,得到预测结果,其中,所述目标预测模型通过样本数据对初始神经网络模型进行训练得到,所述初始神经网络模型中的初始模型参数通过乌燕鸥算法确定,所述样本数据由多个历史特征信息集合以及每个历史特征信息集合所属的历史文本的影响力指数构成,所述预测结果中包括所述待推广文本的影响力指数;
确定单元,用于根据所述影响力指数确定所述待推广文本的推广策略。
9.一种计算机存储介质,其特征在于,所述计算机存储介质用于存储程序,其中,所述程序运行时控制所述计算机存储介质所在的设备执行权利要求1至7中任意一项所述的业务推广策略的确定方法。
10.一种电子设备,其特征在于,包括一个或多个处理器和存储器,所述存储器用于存储一个或多个程序,其中,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权利要求1至7中任意一项所述的业务推广策略的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311640761.9A CN117455267A (zh) | 2023-12-01 | 2023-12-01 | 业务推广策略的确定方法、装置、存储介质以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311640761.9A CN117455267A (zh) | 2023-12-01 | 2023-12-01 | 业务推广策略的确定方法、装置、存储介质以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117455267A true CN117455267A (zh) | 2024-01-26 |
Family
ID=89587671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311640761.9A Pending CN117455267A (zh) | 2023-12-01 | 2023-12-01 | 业务推广策略的确定方法、装置、存储介质以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117455267A (zh) |
-
2023
- 2023-12-01 CN CN202311640761.9A patent/CN117455267A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902222B (zh) | 一种推荐方法及装置 | |
US11636343B2 (en) | Systems and methods for neural network pruning with accuracy preservation | |
CN110033314B (zh) | 广告数据处理方法及装置 | |
CN110728317A (zh) | 决策树模型的训练方法、系统、存储介质及预测方法 | |
CN105718490A (zh) | 一种用于更新分类模型的方法及装置 | |
CN111241412A (zh) | 一种确定用于信息推荐的图谱的方法、系统、及装置 | |
CN111931916A (zh) | 深度学习模型的探索方法及装置 | |
CN116739665A (zh) | 信息投放方法、装置、电子设备及存储介质 | |
US20230334325A1 (en) | Model Training Method and Apparatus, Storage Medium, and Device | |
CN112508177A (zh) | 一种网络结构搜索方法、装置、电子设备及存储介质 | |
CN116992151A (zh) | 一种基于双塔图卷积神经网络的在线课程推荐方法 | |
CN117455267A (zh) | 业务推广策略的确定方法、装置、存储介质以及电子设备 | |
CN114708110A (zh) | 续保行为预测模型的联合训练方法、装置及电子设备 | |
CN110322341B (zh) | 信用标签的确定方法和装置 | |
CN115496431A (zh) | 订单和运力匹配方法、装置、电子设备 | |
CN113392100A (zh) | 基于粒子群算法优化神经网络的系统智能校验方法、装置和系统 | |
CN117648638A (zh) | 监测策略的确定方法、装置以及电子设备 | |
CN111931994A (zh) | 一种短期负荷及光伏功率预测方法及其系统、设备、介质 | |
CN110837847A (zh) | 用户分类方法及装置、存储介质、服务器 | |
EP4270271A1 (en) | Method and system for classification and/or prediction on unbalanced datasets | |
US20230342672A1 (en) | Method and system for classification and/or prediction on unbalanced datasets | |
CN117893309A (zh) | 用户等级的确定方法、装置、存储介质以及电子设备 | |
CN107451662A (zh) | 优化样本向量的方法及装置、计算机设备 | |
CN114881283A (zh) | 日长变化预报模型的训练方法、日长变化预报方法及装置 | |
CN114676854A (zh) | 一种集成学习方法及装置 |
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 |